AI-agenter i hverdagens arbejde: hvad sker der egentlig inde i de værktøjer, vi bruger?

Der tales meget om AI lige nu, næsten for meget til at holde styr på. Men bag støjen er der et skift, der reelt påvirker, hvordan MSP'er arbejder dagligt: AI-agenter flytter ind i de værktøjer, vi allerede bruger, i stedet for at bo i en separat fane, du skal åbne. Det er præcis derfor, det er vigtigt at forstå, hvordan de fungerer under overfladen, ikke bare at de eksisterer.

Det er det skift, Acronis illustrerer godt med deres AI-drevne servicedesk, og det fungerer som et godt eksempel på, hvad en AI-agent faktisk betyder i praksis.

Et konkret eksempel: fra alarm til løst sag

Forestil dig et almindeligt scenarie. En backup fejler, en alarm udløses, og en tekniker skal åbne sagen, tjekke enheden, gennemgå backup-historikken, lede efter lignende sager fra tidligere, beslutte en løsning og endelig skrive en opdatering til kunden. Ingen af disse trin er svære i sig selv, men gentag det på tværs af mange kunder og sager, og det æder tid, der kunne bruges på noget mere værdifuldt.

Med AI indbygget direkte i workflowet for sagsbehandling ser forløbet anderledes ud. Alarmen opretter eller opdaterer sagen automatisk, og AI kan opsummere, hvad der skete, finde lignende eller dublerede sager, opdage, om problemet er en del af noget større, og foreslå en sandsynlig løsning. For en kendt backup-fejl kan det betyde at forsøge jobbet igen, verificere resultatet og derefter lukke eller eskalere sagen afhængigt af udfaldet.

Det interessante er, hvad der sker, når løsningen virker én gang. I stedet for at teknikeren løser præcis det samme problem manuelt næste gang, kan de succesfulde trin omdannes til en genanvendelig regel, beskrevet i almindeligt sprog. Den næste lignende sag bevæger sig så hurtigere og håndteres mere konsekvent, uanset hvem på teamet der tager den.

Kontrol er stadig grundlaget

Det er let at antage, at en AI-agent betyder, at alt kører på autopilot, men en god opsætning er virkelig bygget på tillid, der vokser trin for trin. Nogle ting er sikre at lade AI gøre med det samme, som f.eks. at indsamle statusdata og logs. Andre ting bør forberedes og godkendes af en person, før de sker. Og nogle handlinger bør kun udføres automatisk, når partneren eksplicit har besluttet, at de er sikre nok.

I praksis kan det se ud som dette:

• AI opsummerer, foreslår næste skridt og udarbejder udkast, uden at foretage sig noget på egen hånd.
• AI forbereder en handling, men en tekniker godkender den, før den udføres.
• AI kan udføre handlinger, som partneren eksplicit har markeret som sikre, med alt logget, så det kan gennemgås bagefter.

Denne trin-for-trins model betyder, at en rutinehandling, som f.eks. at prøve et kendt backup-job igen, kan blive fuldt automatiseret, når MSP'en er klar til det, mens alt, der vedrører fakturering, fortsat kræver godkendelse, før det har nogen økonomisk indvirkning.

Hvorfor det betyder noget, at AI er indbygget

Forskellen mellem AI, der lever inde i det værktøj, du allerede arbejder i, og at kopiere sagsdata til en ekstern chatbot, er større, end det umiddelbart ser ud. Når informationen forbliver inden for den platform, du allerede bruger, er der logning, sporbarhed og klare grænser for, hvad der kan foreslås, godkendes eller automatiseres. Går du udenfor til et eksternt værktøj, ved du bagefter sjældent, hvilken konto der blev brugt, hvilke data der blev delt, eller hvordan svaret faktisk blev produceret.

For en mindre MSP kan dette betyde at komme i gang med et praktisk værktøj uden at skulle bygge et tungt PSA-projekt op omkring det. For en større MSP med etablerede systemer allerede på plads, kan den samme AI i stedet fungere som et ekstra lag til triage og analyse oven på det, der allerede er der, uden at skulle erstatte den måde, teamet arbejder på.

Det større billede

Værdien her er ikke, at AI skriver pænere tekst. Værdien er, at den fjerner unødvendigt arbejde fra dagen: teknikere forstår sager hurtigere, succesfulde løsninger genbruges i stedet for at blive genopfundet hver gang, og den, der er ansvarlig for virksomheden, får bedre input til sine beslutninger.

Dette er en god illustration af noget større, der gælder for alle, der arbejder med IT og sikkerhed lige nu. AI-agenter udvikler sig hurtigt, og hvad der er nyt i dag, kan være standard inden for seks måneder. Men fordelen kommer ikke fra blot at bruge dem, den kommer fra faktisk at forstå, hvordan de fungerer inde i de værktøjer, vi allerede er afhængige af, hvilke beslutninger de træffer på egen hånd, og hvor grænsen går for, hvad de må gøre uden os. Den forståelse er det, der lader dig drage fordel af forandringens hastighed uden at miste kontrollen undervejs.