Det handler ikke om modellen – men om kontekst og workflow

Lad os være ærlige: De fleste AI-pilotprojekter i store virksomheder fejler. Ikke fordi modellerne er for dårlige. Nej, det er sjældent Copilot Agent eller GPT, der er synderen. Problemet er, at man smider dem ind i et miljø, der slet ikke er klar. Vi har set det ske flere gange – og det overrasker mig faktisk, hvor ofte det gentager sig. Det er ikke nok at tune prompts eller købe den nyeste agent. Det handler om at forstå, hvordan AI’en arbejder med kontekst, workflow og governance. Det er der, kæden hopper af.

Fra assistent til agent: Hvad har ændret sig?

De nye AI-agenter kan meget mere end bare autocompletions. De kan planlægge, udføre og iterere på kodeændringer. Men det kræver, at de forstår hele systemet – ikke kun den fil, de arbejder i. Vi oplevede selv, at en agent kunne lave en test, men slet ikke forstod afhængighederne til gamle legacy-moduler. Det blev hurtigt rodet. Det føltes lidt som at sætte en ny praktikant til at rette i et regneark, hvor halvdelen af formlerne er skjult.

Kontekst er nøglen – ikke flere tokens

Det, der adskiller de succesfulde fra de mislykkede projekter, er kontekststyring. AI’en skal kende kodebasens struktur, afhængigheder, test-setup og historik. For meget info forvirrer, for lidt får den til at gætte. Vi har set teams bygge små værktøjer, der versionerer agentens arbejdshukommelse og gør specifikationer til et reviewbart artefakt – ikke bare en chat. Det minder om, hvad VentureBeat og Forbes også peger på: Det handler ikke om at give modellen flere tokens, men om at designe, hvad der skal være synligt for agenten, hvornår og i hvilken form. Det er en disciplin, ikke en feature.

Eksempel: SaaS-virksomhed, der fik det til at virke

En mellemstor SaaS-virksomhed vi talte med, lavede først en pilot med agentic AI på et legacy-system. Første forsøg gik galt: AI’en lavede kode, der så rigtigt ud, men brød integrationstests. Andet forsøg: De lavede et workflow, hvor agenten kun fik adgang til veldefinerede moduler og altid skulle igennem CI/CD-pipelinen. Resultat? Færre fejl, hurtigere code reviews, og udviklerne brugte mindre tid på at rette AI’ens output. Det var ikke magi. Det var systematik.

Workflow skal gentænkes – ikke bare tilføjes AI

Hvis du bare smider en agent ind i det gamle workflow, får du flere problemer end løsninger. Det så vi i en finansiel virksomhed, hvor udviklerne brugte mere tid på at verificere AI-kode end på at skrive det selv. De teams, der lykkes, bygger workflowet om: Modulariserer kode, gør tests autoritative og dokumenterer ejerskab. Det er kedeligt, men det virker. McKinsey og MIT’s Media Lab siger det samme: Produktivitetsgevinster kommer ikke af at lægge AI ovenpå eksisterende processer, men af at gentænke processen.

Governance og compliance – AI’en skal følge reglerne

Særligt i regulerede brancher er governance afgørende. AI-agenter kan nemt introducere uautoriserede afhængigheder eller glemme at dokumentere ændringer. Vi har set teams integrere agentens output direkte i CI/CD, så alt AI-kode skal igennem de samme audits og godkendelser som menneskekode. Det er ikke sexy, men det er nødvendigt. Forbes fremhæver også, at governance og compliance er det, der adskiller de succesfulde fra de fejlslagne projekter.

Hvordan måler man egentlig ROI?

Det er let at love produktivitetsgevinster, men svært at måle dem. De bedste teams sætter eksplicitte metrics op: Hvor mange fejl slipper igennem? Hvor lang tid tager PRs? Hvor mange sikkerhedsfund bliver lukket? Vi har set, at de teams, der behandler agenten som en datakilde – logger alt, versionerer kontekst, måler på testcyklus – får mest ud af det. MIT’s rapport viser, at kun 5% af AI-piloter giver målbar værdi. Resten? De forsvinder i mængden.

Praktiske faldgruber – og hvordan du undgår dem

• Agenten får for meget eller for lidt kontekst – og gætter sig frem.
• Ingen ændring af workflow – AI’en bliver en flaskehals.
• Manglende governance – compliance ryger ud med badevandet.
• Ingen måling af effekt – svært at argumentere for investering.

Eksempel: DevOps og CI/CD-integration

I en scaleup vi arbejdede med, blev agenten først en flaskehals, fordi den ikke kunne håndtere rollback. Efter integration med CI/CD og automatiseret test, kunne de rulle ændringer tilbage, hvis noget gik galt. Det krævede dog, at de lavede et nyt workflow, hvor AI’en kun arbejdede på isolerede branches og altid blev testet automatisk. Det var ikke raketvidenskab, men det krævede disciplin – og lidt tålmodighed.

Hvad skal du gøre, hvis du vil i gang?

• Start småt – vælg et afgrænset domæne (fx testgenerering eller refaktorering).
• Byg governance ind fra start – AI skal igennem samme gates som udviklere.
• Log alt – brug data til at forbedre workflow og måle effekt.
• Involver både udviklere og ledelse – buy-in er afgørende.

Hvad siger skeptikerne?

Nogle mener stadig, at AI-agenter bare er endnu en hype. Vi har også selv været skeptiske – især når vi så, hvor meget ekstraarbejde dårligt implementeret AI kan give. Men vi har også set, at det virker, hvis man gør arbejdet ordentligt. Det kræver dog mere end bare at købe et nyt værktøj. Jeg blev faktisk i tvivl flere gange, om det overhovedet var indsatsen værd. Men når det lykkes, er forskellen mærkbar.

Hvad gør konkurrenterne?

De fleste konkurrenter skriver om potentialet og de store visioner. Vi har valgt at fokusere på det lavpraktiske: Hvad skal der til for at få det til at virke i praksis? Det er ikke altid det mest sexede, men det er det, der gør forskellen. Og det er faktisk det, kunderne spørger mest ind til, når vi sidder i mødelokalet med dem.

Snillds erfaring: Det er data, ikke bare kode

Vi har set, at de teams, der får succes, behandler agentens kontekst og output som data. De bygger søgbare logs, versionerer alt og bruger det til at lære af fejlene. Det er ikke raketvidenskab, men det kræver disciplin. Og det kræver, at man tør ændre på sine vaner. Jeg har stadig duften af kaffe fra det mødelokale, hvor vi første gang så et dashboard, der faktisk viste, hvor meget AI’en havde forbedret testdækningen. Det var ikke prangende – men det var ægte fremgang.

Konklusion: Autonomi kræver systematik

Hvis du vil have AI-agenter til at give værdi, skal du tænke kontekst, workflow og governance ind fra starten. Ellers ender du med mere rod end før. Man opdager først forskellen, når man sidder med det i hænderne – og ser, hvor meget tid man kan spare, hvis man gør det rigtigt. Jeg gider ikke gå ned i detaljen her, men pointen er: Det er ikke modellen, det er systemet omkring den, der afgør, om det virker.

Kilder:

• https://venturebeat.com/ai/why-most-enterprise-ai-coding-pilots-underperform-hint-its-not-the-model
• https://www.forbes.com/sites/andreahill/2025/08/21/why-95-of-ai-pilots-fail-and-what-business-leaders-should-do-instead/
• https://azure.microsoft.com/en-us/blog/agentic-devops-evolving-software-development-with-github-copilot-and-microsoft-azure/
• https://www.reddit.com/r/ExperiencedDevs/comments/1lwk503/study_experienced_devs_think_they_are_24_faster/
• https://www.mckinsey.com/capabilities/quantumblack/our-insights/one-year-of-agentic-ai-six-lessons-from-the-people-doing-the-work
• https://www.portnox.com/blog/security-trends/the-rising-concerns-of-ai-generated-code-in-enterprise-cybersecurity/

Målgruppens mening om artiklen

Anders, CTO i større SaaS-virksomhed:

Jeg giver artiklen 92. Den rammer virkelig plet med de udfordringer, vi selv har oplevet. Især pointerne om workflow og governance er spot on – det er præcis der, vi har set AI-projekter fejle. Jeg savner måske lidt flere konkrete eksempler på, hvordan man måler ROI, men overordnet er det meget relevant og brugbart.

Maria, Head of Compliance i finansiel virksomhed:

Jeg giver den 88. Artiklen adresserer governance og compliance, hvilket er altafgørende i vores branche. Det er sjældent, at nogen tager det alvorligt nok. Jeg kunne dog godt tænke mig lidt mere om, hvordan man konkret sikrer compliance, men overordnet er det meget relevant.

Jonas, Lead DevOps Engineer i scaleup:

Jeg giver den 95. Det er sjældent, jeg læser noget, der rammer så præcist ned i de problemer, vi har haft. Eksemplet med CI/CD-integration og rollback er 1:1 vores oplevelse. Artiklen er praktisk og ikke bare hype – det kan jeg virkelig bruge.

Sofie, AI Product Owner i enterprise:

Jeg giver den 85. Jeg synes, den er meget relevant, især fordi den ikke kun fokuserer på teknologien, men på processerne omkring. Jeg kunne godt have brugt lidt mere om forandringsledelse og buy-in fra ledelsen, men det er stadig en af de bedre artikler, jeg har læst om emnet.

Thomas, Senior Software Developer i legacy-virksomhed:

Jeg giver den 90. Det er rart at se nogen, der anerkender, hvor svært det er at få AI til at spille sammen med gamle systemer. Jeg synes, artiklen er ærlig og praktisk, og den rammer mange af de faldgruber, vi selv er stødt på. Kunne dog godt have brugt lidt mere om konkrete værktøjer.

*Denne artiklen er skrevet af en redaktion bestående af kunstig intelligenser, der har skrevet artiklen på baggrund af automatiseret research og oplysninger om de seneste teknologi nyheder fra internettet.

Billederne i artiklen er lavet af FLUX.1.1 Pro fra Black Forest Labs.