De fleste agent‑demoer holder i en uge og knækker, når de møder rigtige data, sikkerhedspolitikker og ældre systemer. Merck siger, de har det i produktion – i forskning, marketing og compliance. 33 procent hurtigere på en discovery‑cyklus. Marketingudkast, der er “99 procent rigtige” i forhold til regler. Review fra måneder til dage, med 70–80 procent hurtigere levering. Ikke på grund af en magisk model, men fordi rørføringen kom først.
Det matcher det, vi har set i danske organisationer, omend i mindre skala: PoC’er, der imponerer, og så falder til jorden, når dataindtag, rettigheder og opdateringsrutiner skal fungere hver tirsdag kl. 03 uden at vælte driften. Merck investerede måneder og år i fundamentet, før agenterne blev sluppet løs. Det er kernen i historien.
Mercks tal – og hvad de betyder i praksis
Ifølge VentureBeat fortæller Mercks VP for Digital Platforms, Sean Finnerty, at en AI‑assisteret discovery‑cyklus blev reduceret med 33 procent i deres forskning – omtrent et år sparet i et langt forløb, siger han. Samme kilde beskriver, at AI nu genererer marketingudkast, der er “99 procent rigtige” ift. compliance, og at review‑cyklusser er gået fra måneder til dage, med 70–80 procents hurtigere levering af materialer.
Finnerty adresserer også faldgruben: Bygger man enkeltstående agenter uden platform, ender man med “tusindvis af ting, der i sidste ende bare er gæld”. Teknisk gæld, governance‑gæld og integrations‑gæld, der bremser alt efterfølgende. Vi genkender desværre mønsteret.
Hvad ligger under motorhjelmen hos Merck
VentureBeat beskriver omkring 2.500 AWS‑konti, “adskillige” Azure‑abonnementer og nye integrationer til Google Cloud. Tre hyperscalere. 47 edge‑lokationer. Hundreder af databaser. “Mange, mange petabytes” af strukturerede og ustrukturerede data – Oracle, SQL, regneark, telefontranskripter m.m. Det er dyrt og komplekst, og netop derfor kan kontekst flyttes sikkert og sporbar gennem systemet.
Finnerty taler om kontekstlevering som disciplin: ikke bare at give en model tekst, men at bygge et “scaffolding”, der henter, beriger og afgrænser data pr. opgave. Nogle gange via Databricks, andre gange Redshift plus andre komponenter. Det kobles til MCP – Model Context Protocol – så agenter får korrekt viden i korrekt format med korrekte tilladelser. Og A2A – agent‑til‑agent‑samarbejde – så opgaver fordeles og valideres på tværs. I praksis betyder det, at integrationsmønstrene er standardiseret, ikke opfundet på ny for hver agent.
Sammenligning på skala: Verizon Connect viser samme mønster
Hvis man tænker “pharma er et særtilfælde”, så peg på Verizon Connects AWS‑case: 100.000 brugere, 1,2 millioner aktive køretøjsabonnementer og over 500 millioner datapunkter om dagen på tværs af cirka 80.000 indikatorer. De valgte agentiske mønstre for at undgå hårdkodede regler, men skalerbar drift kom af dataplatformen og infrastrukturen – ikke et smart prompt‑trick.
Mastercard nævnes i VentureBeats overskrift, men i de materialer, vi har gennemgået, er der ikke konkrete tal eller citater fra Mastercard. Det siger vi eksplicit. Derfor holder vi fokus på Merck og Verizon Connect, som er dokumenteret i kilderne, og efterlyser en tilsvarende offentlig kilde fra Mastercard, før vi konkluderer noget på deres vegne.
Hvorfor rørføringen betyder noget i hverdagen
“Generativ AI leverer kun, når organisationen bygger den rigtige infrastruktur og governance først.” Det er vores position – og en praktisk læresætning. Hos en dansk industrivirksomhed klarede en agent triagering af service‑tickets glimrende i en sandbox. I produktion gik det i stå, fordi identiteter var spredt over fire AD‑domæner, og dataejerskab var uklart. Agenterne fik ganske enkelt ikke rettigheder til de relevante felter. Seks ugers oprydning i adgangsmodeller og auditkrav – derefter kørte det.
Det handler ikke kun om sikkerhed, men om dataflow. Med 2.500 konti – eller bare 50 – kræver det et datakatalog, der ved, hvor sandheden bor, og hvordan den leveres til en agent uden kopier og skyggetabeller. Uden det opstår inkonsistens, uventede omkostninger og forkerte svar, fordi agenten læste en forældet tabel. Lavpraktisk – og afgørende.
Governance og compliance uden friktion
Mercks “99 procent rigtige” marketingudkast er lovende. I pharma er 1 procent fejl dog ikke en bagatel. Godkendelse kræver ansvarlige mennesker, fuld versionering og audittrails, der kan bestå inspektion. Tidsgevinsten på 70–80 procent kommer først, når kontrolpunkterne er automatiserede – fx automatisk tjek mod godkendte claims, lokale regler og tidligere afvisningsgrunde – og undtagelser rutes til de rette fagpersoner med ét klik. Uden den kæde forsvinder gevinsten i e‑mailtråde.
Compliance kræver også forklarbarhed: hvorfor kom agenten frem til netop det udkast? Her hjælper MCP‑disciplinen igen med kontekstdokumentation, kildeidentifikation og gemte mellemresultater – nødvendigt, når en audit spørger, hvorfor systemet overså bivirkning X i et udkast den 12. marts.
Drift er en disciplin for sig
Agenter improviserer inden for rammer. Driften skal kunne se, hvad de foretager sig, tæt på realtid. Observability for agenter betyder logning af prompts, værktøjsopkald, latens, fejltyper, fallback‑logik – og enkel rollback. Det ligner SRE, men med flere ukendte.
Modelopdateringer ændrer adfærd – selv med samme kontekst. Derfor bruger vi ofte A\/A‑tests, hvor to identiske modeller kører parallelt, før en opgradering går bredt. Og når en agent tager fejl, skal der være en defineret incident‑proces: Hvem trykker stop, og hvordan reprocesseres sagerne? Ét team løste det elegant med en “sæt i kø til menneskelig gennemgang”‑knap i dashboardet. Simpelt, effektivt.
Omkostninger og uomgængelige trade‑offs
2.500 konti og petabytes koster. Merck har kapaciteten – det har ikke alle. Pointen er ikke at kopiere skalaen, men strukturen. Gevinster kan hentes med lagringstiering, koldarkiv til historik, on‑demand compute til batch‑agenter og dedikerede modeller dér, hvor latenstid og sikkerhed kræver det. Resten kan køre på delt kapacitet.
Multi‑cloud og edge skaber kompleksitet: flere identitetssystemer, netværkstopologier og compliance‑zoner. I EU er data‑lokation og suverænitet ofte den reelle begrænsning. Vi har måttet placere enkelte agentfunktioner tæt på datakilden on‑prem eller i en EU‑region, mens tunge analyser kører andetsteds, med stramme regler for, hvad der må flyttes. Besværligt, men nødvendigt.
Hvad vi kan validere – og hvad vi ikke kan
VentureBeat dokumenterer Mercks nøgletal og Finnertys pointer om rørføring, multi‑cloud, edge‑lokationer og datamængder. AWS‑casen fra Verizon Connect viser, at agentiske mønstre kan skaleres til seks cifre af brugere, når platformen er rigtig. Vi har ikke en fagfællebedømt analyse af 33 procent‑reduktionen – om det er en enkelt case eller et gennemsnit. Det bør afklares med Merck, før nogen bruger tallet som KPI‑garanti.
Som tredjeparts plausibilitet kan vi læne os op ad, hvad erfarne cloudarkitekter siger i åbne retningslinjer: Når workloads er konteksttunge og værktøjsdrevne, er dataintegration, identitet og observability førsteprioritet – før modelvalg. Det går igen i fx AWS Well‑Architected og store enterprise‑migreringer. Det validerer ikke 33 procent specifikt, men gør gevinsterne troværdige.
Operationelle trin til en rørførings‑først køreplan
Start med en proof‑of‑value, ikke et show. Vælg ét workflow med afklaret dataejerskab og mål mærkbare forbedringer på uger: ventetid, fejlrate, menneskelig rework. Hav en driftsplan før demoen.
Byg derefter dataplatformens minimum: et katalog, en central politik for PII og adgang, et logformat på tværs af teams. Aftal model‑ejerskab – hvem opgraderer, hvem har veto. Læg agent‑skelettet: MCP‑kompatibel kontekstlevering, værktøjsbrokere med sikkerhedsindhegning og en enkel A2A‑mekanisme. Hold det kedeligt – kedeligt er stabilt i drift.
En kort tjekliste til prioriterede investeringer
- Datakatalog og lineage som første borger – uden det, ingen stabil kontekst
- Central identitet og adgangsstyring på tværs af konti – udrul med lav friktion
- Måleplan for agentadfærd – prompts, værktøjsopkald, latens, fejl, rollback
- MCP‑kompatibel kontekstlevering – standardiseret, ikke hver sit adapter‑sæt
- Automatiserede compliance‑checks – claims‑bibliotek, versionering, auditlog
- A\/A eller canary ved modelskift – ingen overraskelser i produktion
- Cost‑guardrails – lagringstiering, on‑demand compute, klare SLO’er pr. agent
Hvad journalister og beslutningstagere bør spørge om
Bed om arkitekturdiagrammer for kontekstlevering og identitet. Spørg til cost‑profiler og TCO før og efter. Se auditlogs fra et par marketing‑flows: Hvordan håndteres afvigelser, og hvem godkender hvornår? Afklar om 33 procent er enkeltcase eller gennemsnit på tværs af forsøg.
Hos Verizon Connect: Få en teknisk QA fra AWS‑arkitekter. Hvor lå performance‑grænserne? Hvilke fejlsituationer opstod, da 100.000 brugere ramte systemet samme morgen? Sådanne detaljer løfter historien fra overskrift til driftsviden.
Snillds vinkel – og et sidste, jordnært råd
Vi har endnu ikke set nogen vinde langsigtet ved at starte med agenter uden platform. De taber fart, fordi de bygger låget før gryden. Omvendt har vi set et team spare 40 procent sagsbehandlingstid på tre uger – først da en simpel databro og klare adgange var på plads. Ikke fancy. Bare rent.
Agent‑AI virker. Merck viser det. Det virker, fordi nogen tog de kedelige beslutninger først. Hvis I overvejer at gå i gang, så begynd med rørføringen – forskellen kan mærkes i drift.
