Skiftet er sket: agentisk AI er rykket fra innovationshjørnet til egentlig drift. Ifølge MarkTechPosts gennemgang fra maj 2026 er Salesforce’ Agentforce oppe på 29.000 handler siden lancering og 800 mio. dollars i ARR, mens Microsoft Copilot Studio kører hos 160.000 organisationer med over 400.000 brugerbyggede agenter. ServiceNow har desuden lagt sin kommercielle model om til autonome AI‑tiers. Tallene er offentlige, men i vid udstrækning vendor‑nære, så behandl dem som solide pejlemærker, ikke facit.
På den tekniske akse ændrer dataforsyningen sig. VentureBeat beskriver, hvordan klassisk RAG knækker, når agenter laver forespørgsler i helt andre størrelsesordener end et menneske, og peger på Redis Iris som et nyt kontekst‑ og memory‑lag med realtidsingest, semantisk interface og en dedikeret agent memory server. Det lyder tørt, men betyder i praksis, at agenter ikke løber tør for relevant viden midt i en handling. Vi har selv set en ellers fornuftig agent gå i ring, fordi produktkataloget var 12 dage for gammelt. Kaffen var kold, og sagen blev ikke lukket.
Hvor vi står nu
Produktion i 2026 er ikke en chatbot på forsiden; det er ansvar for drift, økonomi og fejl. Når Salesforce taler om 800 mio. dollars i årlig tilbagevendende omsætning på Agentforce, og Microsoft om hundredtusinder af agenter i Copilot Studio, peger det på vedvarende brug i kundeservice, salg og interne workflows. ServiceNows omlægning til autonome AI‑tiers er samme signal: kunder betaler for handlinger, ikke demoer. Det er dér, budgetterne lander.
Men bagsiden er reel. MarkTechPost advarer om agent washing: når leverandører døber gamle chatbots, RPA og lineære workflows om til “agenter”. Hvis en løsning ikke kan tage selvstændige beslutninger, tænke i flere trin og håndtere fejl dynamisk, er det ikke agentisk AI. Vi ser det uge efter uge i danske udbud, og irritationen er forståelig.
Hvem leverer egentlig agentisk AI
Der er groft sagt tre platformstyper. Først økosystem‑native som Salesforce Agentforce, hvor værdien er høj, når CRM er sandheden, og data allerede ligger i Salesforce’ Data 360. MarkTechPost peger på Atlas Reasoning Engine som beslutningslag med Reason–Act–Observe‑loop og en Einstein Trust Layer til politik, datamaskering og audit logging. Stærkt, men værdien falder, når man træder uden for økosystemet.
Dernæst Microsoft Copilot Studio, som ifølge MarkTechPost har udbredelsen i ryggen med Teams, SharePoint og Dynamics som hjemmebaner. Det gør employee‑vendte workflows hurtige at få i gang: IT‑support, HR‑spørgsmål, videnopslag og enkle automations i Teams. Governance‑fordelen er tydelig, fordi styring kan bo i samme kontrolplan som resten af Microsoft‑stakken. “Time‑to‑first‑value” er ofte kort, når data allerede ligger i Microsoft Graph.
Den tredje kategori er specialiserede kontekstlag, som VentureBeat beskriver med Redis Iris. Ikke en fuld platform, men et lag der gør agenterne klogere og hurtigere, fordi det håndterer den voldsomme mængde kontekstforespørgsler, rigtige agenter genererer. Real‑time ingestion og et semantisk interface, der kan autodanne værktøjer fra forretningsdatamodeller, lyder nørdet, men løser et konkret produktionsproblem: agenter famler, når data er spredt, forældet eller gemt i dokumenter, som mennesker forstår, men maskiner ikke gør.
Hvad er agent washing og hvordan spotter du det
Tre røde flag går igen. Én: lineære scripts uden forgrening solgt som “autonome”. To: chatbots med smalltalk og en enkelt API‑kaldemulighed, men uden reel fejlgenopretning og uden eskalationskriterier. Tre: ingen synlig måling af containment eller cost per action, kun “antal svar”. MarkTechPost er klar: uden autonomi, flerstegs‑tænkning og dynamisk fejlbehandling er det ikke agentisk.
Et kort eksempel fra felten: En kunde købte en “agent‑pakke”, som viste sig at være en sessioniseret chatbot med et RPA‑script under hjelmen. Den røg af sporet ved første afvigelse fra standardforløbet. Vi brugte to måneder på at bygge branching og fejlbehandling ind, og først dér kom containment over 60 procent. Dyr læring — men effektiv.
Teknisk fokus: Hvorfor RAG ikke skalerer for agenter
Retrieval‑udfordringen starter, som VentureBeat beskriver, med en simpel observation: agenter laver langt flere opslag pr. sag end et menneske. Klassisk RAG var bygget til enkeltspørgsmål og dokumentopsummering, ikke til et helt forløb med planlægning, værktøjsbrug og hukommelse. Resultatet bliver timeouts, forkerte kilder og et kaos af små vektordatabaser.
Redis Iris lægger sig ind som kontekst‑ og memory‑lag med realtidsingest, semantisk interface og vedvarende agenthukommelse, så der ikke skal hentes det samme igen og igen. VentureBeat skriver, at Iris kører på Redis Flex med 99 procent af data på flash for at balancere pris og hastighed og adresserer omkostningerne ved kun in‑memory. Det er et arkitekturvalg, der giver mening i et dansk driftsbudget, hvor millisekunder er gode, men kroner vigtigere.
Konsekvensen i praksis: færre fejlhop og bedre sporbarhed. Når en agent kan kalde en semantisk model af dine forretningsobjekter, bliver “find kunde” ikke et tilfældigt søg, men en styret operation. Her ses afstanden til simpel RAG: Den kan noget, bare ikke ved agent‑skala.
Hvor det typisk går galt i produktion
MarkTechPost skriver, at de fleste produktionstabere ikke falder på modelvalg, men på data. Vi nikker. Typiske fejl er uopdaterede produktkataloger, manglende entitetsnormalisering og “hemmeligt” Excel‑grundlag, som kun én superbruger kender. Resultatet er lav containment og flere sager i menneskelig kø, fordi agenten skaber opfølgende arbejde i stedet for at lukke.
Næste faldgrube er ejerskab for edge cases. Hvem bestemmer, hvornår agenten må afbryde og eskalere, og hvem tager den opgave klokken 16.42? Vi har set drifts‑SLA’er uden ord om agenter, og så går det galt ved første Black Friday. Tredje problem er governance: uden audit logging, datamaskering og klare politikker ender man i en compliance‑skygge, der er dyr at rydde op i.
Driftskonsekvenserne er konkrete. Uden et eskalationsflow drukner servicedesken. Uden versionering og rollback må I hotfixe i drift. Uden observability kan I ikke forklare et forkert output til intern revision. Det er ikke store ord; det er onsdag kl. 9.17, når CFO spørger, hvorfor rabatten var 12 i stedet for 10.
Handlingsorienteret deployment‑mønster
Vi anbefaler et mønster, som også MarkTechPost i sin essens fremhæver: én agent, ét data‑rigt workflow, ét mål — og så udvid. Vælg høj volumen og lav til middel kompleksitet, hvor datakvaliteten er god. Mål containment rate, MTTR og cost per action pr. uge — ikke bare “antal svar”. Først når tallene står, bygger I næste agent.
Teknisk tjekliste, vi selv bruger: Data pipelines med realtidsopdatering og basale datakvalitetstests. Observability på agentniveau inkl. værktøjskald, beslutningsspor og fejlårsager. Rollback‑mekanisme: versionsstyring af agentlogik og kontekst, så I kan rulle tilbage på minutter, ikke dage.
- Governance: audit logging, data masking og tydelige politikker for PII
- Eskalation: klare kriterier og kø‑ejerskab for afbrydelse til menneske
- Performance: SLO’er pr. workflow, ikke kun pr. model
- Sikkerhed: begrænsede værktøjstilladelser og nøglestyring per agent
Pris, kommercielle modeller og økonomi
MarkTechPost lister to betalingsveje for Agentforce: per samtale på 2 dollars for kunde‑vendte agenter eller Flex Credits til 500 dollars per 100.000 credits, hvor standardhandlinger koster 0,10 dollars og voice 0,15 dollars. Derudover per‑bruger tillæg i lejet 125–150 dollars pr. måned, og Agentforce 1‑udgaver fra 550 dollars pr. bruger pr. måned med 2,5 mio. Flex Credits pr. år. Det viser en tydelig “betalt per handling” logik. MarkTechPost noterer også, at Flex Credits og samtalepris ikke kan leve i samme org.
For Microsoft Copilot Studio beskriver MarkTechPost en kreditsmodel på 200 dollars for 25.000 Copilot Credits pr. måned, enten forudbetalt eller pay‑as‑you‑go. For ServiceNow beskrives den strukturelle omlægning til autonome tiers, men uden danske priseksempler. Ærlige sammenligninger kræver leverandørernes prislister og ofte en forhandling i dansk kontekst. Pointen er mekanikken: Betaler I for tid, for svar eller for handling?
Hvornår giver per‑conversation mening? Når agenten er frontvendt, fåtrinset og forudsigelig i længde. Hvornår giver credits mening? Når I har mange små handlinger, metrics på hver, og en drift der kan optimere forbrug. For blandede danske stacks er økosystem‑native løsninger ofte hurtige i værdi, men dyre at integrere uden for egen have. Platform‑agnostiske kontekstlag kan balancere regnestykket.
Anbefaling til danske virksomheder
Start internt. Aftal hvem der ejer hvilke edge cases — og skriv det ned. Lav en PoC på 6–8 uger med ét workflow, tydelige SLO’er og klare exitkriterier. Inkluder drift og support fra dag ét, ellers får I en baby, ingen vil passe.
Design jeres governance‑starterpakke: audit, data masking, versionsstyring, eskalation. Sæt tre målepunkter i sten: containment, MTTR og cost per action. Kun den første er præsentationsvenlig, men de to andre redder jer i produktion. Brug leverandør‑due diligence aktivt: spørg hvordan agenten genstarter efter fejl, hvilke datakilder der er native, og hvordan containment måles — ikke bare estimeres.
Vi kan fra Snillds side bidrage med workshops, datakvalitetsanalyse og et AgentOps‑roadmap. Og helt konkret et lille kontekst‑arkitektur‑proof‑of‑concept for ingestion og semantisk indeksering. Det har vi kørt tre gange i år, og det afslører hurtigt, hvor skoen trykker. Ikke alt skal bygges stort fra dag ét.
Afsluttende perspektiv
Det gik hurtigere end ventet fra demo til drift. Konkurrencen flytter sig nu fra “kan det lade sig gøre” til “kan I holde det kørende, når det går skævt fredag efter frokost”. Tallene fra MarkTechPost og skiftene i dataarkitektur hos VentureBeat peger samme vej: det her er hverdags‑IT, ikke laboratoriet.
Sidste bemærkning fra vores skrivebord i København NV: Den bedste forskel mærker man først, når det kører ubemærket. Når agenten lukker en sag, og servicedesken ikke engang bemærker det. Så er vi i produktion.
