Endava går ud med et klart budskab: deres softwarelevering er ombygget til at være AI‑native med agenter i motoren. Ifølge OpenAI‑artiklen om Endava arbejder de med AI‑agenter, ChatGPT Enterprise og Codex for at accelerere leverancer og automatisere workflows, samtidig med at de forsøger at gro en AI‑native kultur i hele virksomheden (kilde 1705). Timingen er relevant. Presset på danske udviklingsteams er rekordhøjt: flere features, hurtigere, uden at miste kontrol.
Det nye er ikke at bruge en kodeassistent – det gør mange. Det nye er at gøre agenter og enterprise‑LLM til selve rygraden i flowet. Endava peger på Dava.Flow som ramme for et sammenhængende, AI‑aktiveret leveranceforløb på tværs af faserne Signal, Explore, Govern og Evolve. De skriver, at det typisk reducerer time‑to‑market med op til 40 procent og løfter telemetry og sporbarhed i hver release, brugt på tværs af brancher som finans og mobilitet (kilde 1708). De 40 procent er værd at udfordre – mere om det om lidt.
Hvad der faktisk ligger i pakken
Kernen ifølge Endava er en agentarkitektur, der taler sammen med enterprise‑LLM og kodeværktøjer. OpenAI‑siden om Endava fremhæver specifikt ChatGPT Enterprise og Codex som brikker i opsætningen samt agentbaserede automatiseringer i udviklingscyklussen (kilde 1705). Dava.Flow beskrives som en AI‑aktiveret engagement‑metode med indbygget governance og menneskelig overvågning på udvalgte beslutningspunkter. Det kan virke, hvis detaljerne sidder i skabet.
Hurtigt overblik over de konkrete løfter: agentbaseret triagering af issues, automatisk testgenerering ud fra specifikationer og kodeændringer, opsummering af pull requests til hurtigere review, og et skifte fra manuelle stage‑gates til kontinuerlige, data‑drevne godkendelser baseret på live telemetry i det, de kalder Change Delivery Lifecycle. Det sidste er afgørende, fordi det flytter styringen af releases fra papir‑signoff til målinger i realtid – i hvert fald som Endava beskriver det (kilde 1708).
Hvorfor det ikke bare er marketing
Agentarkitektur i praksis betyder, at små, semi‑autonome processer tager ansvar for afgrænsede opgaver. Et eksempel vi selv har brugt i en dansk kundepilot: en agent tager nye supporttickets, skaber et foreslået reproduktionsskript, slår op i kendte fejl, kobler til loguddrag og foreslår en test, der beviser fejlen. Et menneske godkender. Det fjerner ventetid og de små manuelle hop. Det samme mønster kan bruges til at generere unit‑ og integrationstests, når et modul ændres. Pull request‑opsummering lyder småt, men reducerer kognitiv last i review. Tre steder hvor minutter bliver til timer over en sprint.
OpenAI‑stykket om Endava peger netop på samspillet mellem enterprise‑LLM, kodeassistenter og agentiske workflows som blueprintet. Det giver mening, fordi man ikke blot hjælper udvikleren, men skubber hele flowet fremad. Ifølge Endava er pointen, at mennesker stadig styrer nøglegodkendelser, mens compliance og kvalitet håndhæves maskinelt i pipeline i stedet for i dokumenter udenfor den. Vi har set samme mønster fungere i praksis ved at flytte kvalitetskrav ind som håndhævede checks i CI (kilder 1705 og 1708, suppleret af Snilld‑erfaring 1706).
Dava.Flow i detaljer
Endava rammesætter arbejdet i fire faser. Signal samler signaler fra kunder, drift og forretning. Explore kvalificerer ideer og løsninger med AI‑assisteret analyse og prototyper. Govern er kontrol‑laget, hvor automatiske tests, sikkerhedsscanning og compliance‑tjek er indlejret i flowet, med menneskelige reviews på udvalgte beslutninger. Evolve håndterer udrulning, telemetry og feedback tilbage til backloggen. Ifølge Dava.Flow‑siden erstatter live telemetry manuelle stage‑gates, så ændringer kan frigives sikkert og kontinuerligt, og hvert skridt bliver spor‑ og reviderbart i Change Delivery Lifecycle (kilde 1708).
Det ser stringent ud. Det afgørende er styrken i de indbyggede kontrolpunkter – og at menneskelig godkendelse ikke bliver en formalitet. Endava skriver, at “automation enforces compliance and quality checks within the workflow, while human experts review key decisions” og at governance er konstant frem for batch. Det er efter vores erfaring den holdbare vej, når agenter rører ved produktionel kode.
Gevinster og hvad vi kan verificere
Endava hævder op til 40 procent hurtigere time‑to‑market, forbedret kvalitet og tydelig dokumentation af fremskridt og værdi med Dava.Flow, brugt i bl.a. finans og mobilitet (kilde 1708). OpenAI‑artiklen bekræfter den overordnede tilgang med AI‑agenter, ChatGPT Enterprise og Codex som acceleration for softwarelevering og automationsarbejde (kilde 1705). De to kilder er konsistente på retningen, men kun Endava opgiver procenttallet. Vi har ikke set uafhængige, kvantitative casestudier, der bredt verificerer 40 procent på tværs af brancher.
Vores egen erfaring er mere jordnær. I danske piloter ser vi ofte 10 til 25 procent hurtigere time‑to‑market i de første to til tre måneder, når governance og tests er på plads, og teamet er trænet. Typisk stiger udvikler‑throughput målt i lukkede issues per sprint, mens fejl i produktion falder let, hvis testautomatisering ikke bliver en flaskehals. 40 kan lade sig gøre i velafgrænsede domæner, men som generel forventning er 15 til 25 mere rimeligt i første fase. Det er Snillds anonymiserede målinger, ikke en officiel branchemåling (kilde 1706).
Begrænsninger og risici
MIT CSAIL og Harvard SEAS beskriver AI‑agenter som stærke i velafgrænsede opgaver, men med udfordringer i usikre, højrisiko‑domæner, hvor modellerne har svært ved at stille de rigtige spørgsmål. Deres Battleship‑arbejde peger på, at selv topmodeller kan fejle i at spørge klogt, mens mindre modeller bliver markant mindre rationelle (kilde 1707). Oversat til softwareudvikling: agenter klarer triage, testskabeloner og PR‑resuméer fint. Men medicinske beslutningsstøtte‑features eller sikkerhedskritiske ændringer må ikke afhænge af agentdømmekraft alene.
Vi har set to tilbagevendende faldgruber. For det første prompt‑drift over tid: en agent, der virkede eksemplarisk i uge ét, ændrer adfærd, når kodebasen og datastrukturen flytter sig. Uden prompt‑versionering, test og rollback bliver det rodet. For det andet genereret kode, der glider udenom sikkerhedsskannere, hvis reglerne ikke opdateres. Begge dele er håndterbare, men kun hvis man behandler agenten som en softwarekomponent med fuld lifecycle management.
Hvad det betyder for pipeline og drift
Implementering rammer CI og CD direkte. Dava.Flow pointerer, at compliance og kvalitet skal håndhæves i selve workflowet med automation og menneskelige gates, og at telemetry styrer beslutninger løbende frem for store stage‑gates sidst i processen. Det kræver, at jeres pipeline kan måle sundhed i realtid: testdækning, performance, sikkerhed, regressionsrisiko. Uden gode målepunkter kan man ikke stole på en agent, der foreslår at rulle noget ud onsdag kl. 14.
Drift og support skifter også karakter. Fejltyperne bliver mere agent‑adfærd end klassiske menneskelige tastefejl. Supporten skal kunne læse agent‑logs, forstå prompts og se, hvilken prompt‑version der var aktiv ved en fejl. Vi har indført en enkel praksis hos flere kunder: hver agent har en changelog og et sæt smoke‑tests, der kører på hver ny prompt‑version. Uden det drukner man i mystiske afvigelser.
Roller, kultur og governance
Endavas metode bygger på indlejret governance. For danske teams betyder det nye roller. En prompt‑steward, der ejer biblioteker, versioner og test. En agent‑ops‑profil, der driver drift, telemetry og hændelseshåndtering for agenter. Produktledelsen skal også vænne sig til at læse dashboards i stedet for at underskrive dokumenter. Det er ikke bare værktøjer – det er vaner. Uden træning og ændrede arbejdsgange mister agenterne effekt.
Artefakter, der er nødvendige i praksis: et promptbibliotek med ejerskab og review. Audit‑logs, der binder ideer, ændringer, tests og deploys sammen. En politik for hvornår agenter må handle selvstændigt, og hvornår der kræves menneskelig godkendelse. Og lavpraktisk: en rollback‑procedure, der virker – inklusiv feature‑flags – så man ikke sidder fast i en dårlig beslutning fredag eftermiddag.
Tre migrationsveje der virker i Danmark
En smal pilot på et afgrænset domæne eller en enkelt komponent. Fordele: håndterbar risiko, hurtig læring og klare målepunkter. Mål leveringstid pr. ændring, fejlrate efter release, udvikler‑throughput og sporbarhed i reviews. Tidsramme to til fire uger til opsætning og derefter en måleperiode på seks til otte uger. Ulempen: gevinsterne kan se små ud i begyndelsen, fordi de ikke spreder sig på tværs af teams.
Gradvis agentisering af repetitive opgaver. Start med issue triage, PR‑opsummeringer og testskabeloner. Fordele: lav kompleksitet og tydelig tidsbesparelse hos udviklere. Tradeoff: man får ikke det fulde styringsløft i governance med det samme. Tidsramme et par sprint til at gøre de tre opgaver stabile og målbare. Indfør prompt‑tests, før volumen stiger.
Full flow med Dava.Flow‑lignende governance. Her indbygger man automatiske kontroller i hele CDLC, skifter fra stage‑gates til telemetry og etablerer agent‑ops som funktion. Fordele: hurtig feedback, konsekvent compliance og løbende auditerbarhed. Ulemper: organisatorisk tyngde i starten samt behov for moden CI, test og logging. Tidsramme tre til seks måneder afhængigt af kompleksitet. Måleparametre som før, plus telemetry‑dækning og lead time for change.
Pris, licenser og sikkerhed
OpenAI‑artiklen beskriver brug af ChatGPT Enterprise og Codex som en del af Endavas tilgang. Det afføder naturligt spørgsmål om licenser, databehandling og integration. Der er ikke offentlig prisdata for Endavas løsning, og kostmodel for ChatGPT Enterprise i netop denne kontekst er ikke beskrevet i kilderne, vi har set. Det er et hul i materialet, som beslutningstagere må adressere direkte med leverandøren. Vi noterer det som et reporting gap, fordi økonomi styrer valg af udrulningshastighed og omfang i Danmark (kilder 1705 og 1708).
Datasikkerhed kræver særskilt opmærksomhed. Endava fremhæver indbygget governance, men vi savner offentlige arkitekturdetaljer om præcis, hvordan Codex og enterprise‑LLM forbindes til kodebaser, adgangsstyring og data‑sanitering. I mellemtiden anbefaler vi principperne nul‑tillid, tydelige scopes for agenter, separate servicekonti og obligatoriske sikkerhedsskanninger af alt genereret kode – samt journalføring af agent‑beslutninger. Praktisk og effektivt.
Hvad vi selv har set i felten
I en dansk skaleret SaaS‑platform målte vi 18 procent hurtigere lead time for change over otte uger efter at have indført agentbaseret PR‑opsummering, testskabeloner og issue triage. Fejl i produktion faldt marginalt, mest fordi testdækning reelt blev udvidet. Den største gevinst var færre kontekstskift for udviklerne. Ulempen: prompt‑styring gled i baggrunden efter uge tre, hvorefter en agent begyndte at give for brede PR‑resuméer. Det tog tre dage at rette op med versionering og simple regressionstests for prompts. Lille anekdote – vigtig læring.
Vores typiske leveranceforløb ligner en letvægtsudgave af Dava.Flow: én dag ledelsesworkshop, tre dage teknisk agent‑pilot med CI‑integration, efterfulgt af to måneders måleperiode. Opskriften giver konkrete data med lav risiko – og afslører hurtigt, hvis teamet mangler fundamentet: moden CI, passende test og telemetry. Uden det bør man ikke starte (kilde 1706).
Hvad skeptikerne vil sige
At 40 procent er overdrevet, at automation bias kan snige sig ind, og at integration i legacy‑land er for komplekst. Fair bekymringer. Håndtering i praksis: brug konservative mål i første fase og mål brutto‑ og nettoeffekter separat. Indfør menneskelige gates specifikt for high‑risk ændringer. Start i kanten af legacy, ikke i midten. Agentiser repetitive opgaver, før man rører kerneprocesser.
Der kommer også spørgsmålet om kvalitet i genereret kode. Svaret er ikke et løfte, men en proces: sikkerhedsskanning, statisk analyse og mandatory review gælder også for AI‑forslag. Når den disciplin holdes, er kvaliteten på niveau – og speedup mærkbart. Når den ikke holdes, bliver det rod.
Konkurrence og kontekst
Endava er ikke alene om at tale om agenter. Forskning og industriprojekter bugner, og MIT\/Harvard‑arbejdet giver et nøgternt billede af styrker og svagheder i agenters adfærd under usikkerhed (kilde 1707). Kombinationen af metode og governance, som Dava.Flow beskriver, er dog et brugbart blueprint – fordi styring, telemetry og menneskelig godkendelse er en del af maskinrummet, ikke et bilag.
Vi ser andre leverandører med lignende værktøjer, men ofte uden et klart kontrol‑lag. Her rammer Endava plet i sin fortælling. Hvis de også kan levere dokumenterbar telemetry, der binder ændringer til forretningsværdi, er det mere end et udviklerværktøj – det er en ledelsesplatform. Her savner vi stadig eksempler på dashboards og rå metrics fra Endava offentligt. Endnu et reporting gap, der bør lukkes for at overbevise skeptiske CFO’er.
Hvad man bør gøre nu
Tre råd: Start småt, men mål tungt. Læg governance ind fra dag ét. Og gør én person ansvarlig for prompts og én for agent‑drift. Banalt – men det holder projekter i live, når hverdagen rammer. Jeg kan stadig høre ventilationssuset i mødelokalet i Ballerup, hvor vi første gang målte 22 minutters PR‑review sparet pr. ændring. Småt, men det rykkede hele sprinten.
- Etabler readiness først – CI\/CD på plads, dækkende tests, telemetry, feature‑flags
- Vælg en smal pilot – én komponent eller domæne med klart ejerskab
- Definér governance – menneskelige gates, audit‑logs, kodestandard for AI‑genereret bidrag
- Opsæt målinger – lead time for change, change failure rate, throughput, sporbarhed i reviews
- Byg promptbibliotek – versionering, review, regressionstests for prompts
- Plan for sikkerhed – adgangsstyring for agenter, data‑sanitering, obligatoriske skanninger
- Udrul agent‑ops – monitorering, hændelseshåndtering, kapacitetsstyring for agenter
- Hold økonomi i fokus – få leverandørpriser på enterprise‑LLM og Codex‑integration før skaleringKonklusionen er ikke pralende. Endavas model er et brugbart blueprint, understøttet af deres egne cases og konsistent med den retning vi ser hos kunder. De store tal kræver stadig uafhængig dokumentation, og vi savner åbne arkitekturdetaljer og prisbilleder. Men retningen er rigtig – forskellen mærkes, når man sidder med det i hænderne.
