En AI-kollega (AI teammate) er en AI, du giver en hel opgave, ligesom når du sætter en kollega ind i noget. Du fodrer den ikke med ét spørgsmål ad gangen. Den læser dit teams dokumenter og værktøjer, udfører arbejdet trin for trin og leverer noget tilbage, som et menneske kan tjekke, godkende og bruge igen.
Det er det korte svar. Det lange svar handler om ordet "kollega". Mange produkter bruger det i dag. Nogle af dem mener bare en chatbot med et venligt navn. Denne guide viser, hvad ordet bør betyde, gennemgår én realistisk opgave fra start til slut og er ærlig om, hvor sammenligningen med en menneskelig kollega holder op.
For at forstå, hvordan AI kan tage arbejde videre på tværs af værktøjer, viser introduktionen til AI-agenter den tekniske idé gennem en konkret opgave. Artiklen om AI-medarbejdere afklarer grænserne for sammenligningen med en ansat: hvad du kan uddelegere, og hvilke vurderinger, godkendelser og hvilket ansvar der bliver hos mennesker.
Hvad er en AI-kollega?
En AI-kollega er AI, der påtager sig et stykke arbejde og fører det frem til et brugbart resultat. Du siger, hvad du har brug for. Den henter det, den skal bruge, fra de værktøjer, du har forbundet, arbejder sig gennem trinnene og giver dig noget konkret: et oplæg, et regneark, en præsentation, en række e-mailudkast, en opdateret post.
Tre ting adskiller den fra den AI, de fleste allerede bruger:
- Den tager en opgave, ikke et spørgsmål. En chatbot svarer og venter. En AI-kollega tager "forbered denne måneds partneropsøgning" og står selv for research, shortlist og udkast.
- Den arbejder ud fra dit teams information. Den læser oplægget i Google Drive, oversigten i Sheets og beslutningen i Slack. Du behøver ikke kopiere alt ind i et chatvindue.
- Den melder tilbage. Den viser, hvad den har gjort, spørger, når noget vigtigt mangler, og overlader den endelige beslutning til dig.
Der findes ingen officiel definition. Virksomheder trækker grænserne forskellige steder. Asana sælger AI Teammates, der arbejder inde i deres projektværktøj. I november 2026 tilføjede de AI Meetings, hvor et mødes handlingspunkter kan tildeles en person eller en AI Teammate. Atlassians People Insights-team skrev i juli 2026, at det svære ved at gøre AI til en rigtig kollega ikke var selve AI'en. Det var at give den stabil adgang til teamets data, definitioner og arbejdsgange.
De fleste AI-kolleger er bygget på AI-agenter. En AI-agent er software, der kan planlægge trin og bruge værktøjer for at nå et mål. "Kollega" beskriver arbejdsforholdet omkring den: hvem der giver den opgaver, hvad den må røre ved, hvordan den melder tilbage, og hvem der godkender.
AI-kollega vs. AI-assistent vs. chatbot
Ordene overlapper. Her er den praktiske forskel for et forretningsteam.
| Chatbot | AI-assistent | AI-kollega | |
|---|---|---|---|
| Hvad du giver den | Et spørgsmål | En opgave inde i én app | En opgave med et resultat |
| Hvad den ved om dit arbejde | Det, du skriver | Det, der ligger i den ene app | De dokumenter og konti, opgaven kræver |
| Hvad du får tilbage | Et svar | Et forslag inde i appen | Færdigt arbejde: filer, udkast, sider, opdateringer |
| Hvem kan genbruge det, der virkede | Ingen, medmindre du gemmer prompten | Som regel kun dig | Hele teamet |
| Hvem bestemmer | Dig | Dig | Dig, på de punkter du vælger |
Ingen af dem er generelt bedre. Til et hurtigt svar kan du bruge en chatbot. En AI-kollega er umagen værd, når en opgave involverer flere værktøjer, ville tage dig en eftermiddag og kommer igen.
Hvad gør noget til en "kollega"?
Tænk på, hvad der gør en ny kollega nyttig. I er enige om, hvad vedkommende laver. Vedkommende kender baggrunden. Du kan se, hvad der er gjort. Du kan stoppe arbejdet eller skifte kurs. Og når vedkommende har fundet en god måde at gøre noget på, kan resten af teamet også bruge den.
Forskere beskrev det meste af dette længe før nutidens AI. I 2004 undersøgte en gruppe ledet af Gary Klein og David Woods, hvad der skal til, for at et automatiseret system er en god "team player" (dansk: holdspiller). De mente, at enhver fælles indsats kræver fire ting. Her er de i almindeligt sprog, med det, du skal kigge efter hos en AI-kollega:
| Hvad teamwork kræver | Med almindelige ord | Hvad du skal kigge efter |
|---|---|---|
| Et fælles mål | I ved begge, hvordan "færdig" ser ud | Kan du overdrage en hel opgave og ikke kun et spørgsmål? |
| Fælles grundlag | I arbejder begge ud fra de samme fakta | Læser den dine rigtige dokumenter og fortæller, hvad den har forstået? |
| Forudsigelighed | Du kan se, hvad den laver | Kan du tjekke hvert trin bagefter? |
| Styrbarhed | Du kan styre den | Kan du rette eller stoppe den og begrænse, hvad den må? |
Teams har brug for én ting mere, som artiklen fra 2004 ikke fokuserede på: det, én person finder ud af, skal hjælpe den næste. Det er den del, de fleste AI-produkter springer over, og det er der, "kollega" gør sig fortjent til navnet.
Sammenligningen hjælper dig også med at uddelegere bedre. Wharton-professor Ethan Mollick siger det i et interview fra 2026: Hvis du kender dit fagområde, kan du instruere en AI og opdage dens fejl på samme måde som med en junior kollega. Han er også klar over, at AI'en ikke er et menneske.
YouTube · Simon Sinek
The AI Skills Nobody is Teaching (And Everyone Needs) | AI Expert Ethan Mollick (dansk: de AI-færdigheder, ingen underviser i, men alle har brug for) · 16. juni 2026
Mollick siger, at AI "works enough like people" (dansk: fungerer tilstrækkeligt som mennesker), så erfarne medarbejdere kan styre den og fange dens fejl, mens juniorer ofte endnu ikke kan vurdere resultatet.
Hold fast i begge halvdele. At behandle AI som en kollega hjælper dig med at give den et godt oplæg. Det gør ikke AI'en ansvarlig for resultatet.
Én opgave, fra overdragelse til resultat
Sådan ser det ud på et rigtigt stykke arbejde. Historien er et eksempel. Skærmbillederne kommer fra et Okou-demoworkspace med eksempeldokumenter.
Maya leder marketing i et softwarefirma med 15 ansatte. Hun skal bruge fem content creators til en kampagne med sponsorerede tutorials. Alt, hvad hun ville give en nyansat, ligger i en Google Drive-mappe: produktpositionering, brandguide, kampagneoplæg, prisnoter og et udkast til et partnerskabstilbud. Hvis hun selv skulle gøre det, ville det tage en dag.
Du sætter målet og gennemgår resultatet. Når et trin kræver godkendelse, holder AI'en pause, før den udfører det.
1. Overdrag opgaven
Maya skriver et kort oplæg, ligesom hun ville gøre til en person. Hvem kampagnen er til. Hvordan en god creator ser ud. Hun skal bruge fem. Intet bliver sendt, uden at hun har set det.
Det er her, de fleste overdragelser går galt, hvad enten det er til mennesker eller AI. "Find nogle influencere" giver et uklart resultat, uanset hvem du spørger. Sig, hvordan færdigt ser ud, hvem det er til, hvornår du skal bruge det, og hvad der ikke må ske.
2. Kom op i fart
En god AI-kollega læser, før den handler. Maya peger Okou hen på Drive-mappen. Okou læser de fem dokumenter og opsummerer, hvad hvert af dem siger, så Maya kan rette eventuelle forkerte antagelser, før det rigtige arbejde begynder.
Okou opsummerer de fem kampagnedokumenter i en tabel og stiller derefter ét spørgsmål, før opsøgningen starter. Klik på billedet for at se det i fuld størrelse. Demoworkspace med eksempeldokumenter.
Den sidste række i tabellen er den, der betyder noget. Der står, at partnerskabstilbuddet er "a sponsored tutorial; fee, scope, and usage rights still need agreement" (dansk: en sponsoreret tutorial; honorar, omfang og brugsrettigheder skal stadig aftales). Den ene linje ændrer, hvad e-mailene skal sige. En e-mail, der nævner et honorar, ville være forkert, uanset hvor godt den er skrevet. Det er det, "at bruge dit teams kontekst" betyder i praksis: Fakta i dine dokumenter afgør, hvad der sker bagefter. Det er også derfor, Okou slutter med et spørgsmål i stedet for at gætte.
En begrænsning, der er værd at kende: I Okou har hver chat sin egen historik. En ny chat starter forfra, medmindre du henviser den til en tidligere chat. Intet bliver hentet ind fra dine andre samtaler bag din ryg. (Læs mere om at holde fælles kontekst opdateret i AI agent context management for team collaboration.)
3. Udfør arbejdet, så du kan se det
Nu kommer det egentlige arbejde: finde kandidater, vurdere dem op mod oplægget, bygge en oversigt og skrive en personlig e-mail til hver. Hvert trin vises i chatten, mens Okou arbejder. Arbejdet kører i skyen, så det fortsætter, selv hvis Maya lukker sin bærbare.
Maya behøver ikke at holde øje. Det bør hun nok heller ikke.
YouTube · Sequoia Capital
What's next for AI agentic workflows ft. Andrew Ng of AI Fund (dansk: hvad er det næste for agentbaserede AI-workflows) · 26. marts 2024
Ng sammenligner det at hænge over en agents arbejde med en ny leder, der uddelegerer en opgave og tjekker ind fem minutter senere.
Værktøjerne har ændret sig meget siden foredraget i 2024. Rådet har ikke. Hvis noget ser forkert ud, kan Maya stoppe kørslen eller sende en rettelse, mens den stadig arbejder ("spring alle over, der allerede samarbejder med en konkurrent"). Okou tager det med uden at starte forfra.
4. Stop og spørg
Nogle ting bør ikke ske, bare fordi AI'en har besluttet det: at skrive til en fremmed, bruge penge, ændre kundedata eller udgive noget. En troværdig AI-kollega kan ikke gøre den slags, medmindre nogen har givet lov.
Maya har givet Okou lov til at gemme Gmail-udkast, men ikke til at sende dem. Hvis en opgave kræver noget, der ikke er givet lov til, sætter kørslen sig på pause. En person ser præcis, hvad der bliver bedt om, og beslutter ja eller nej, og for hvor lang tid. (Okous guide til tilladelser har detaljerne.)
En anmodning om tilladelse nævner værktøjet, den præcise handling og hvor længe adgangen varer. Intet sker, før en person bekræfter.
Et praktisk tip: Hvis et trin altid skal blive hos en person, så giv slet ikke lov til den handling. Tillad udkastet, behold afsendelsen. Vi har skrevet mere om det i The AI Pause Debate Is Back. Your Business Needs the Final Say.
5. Lever tilbage
Opgaven slutter med noget, Maya kan bruge, ikke en væg af chattekst. En oversigt med fem creators og hvorfor hver af dem passer. En personlig e-mail til hver, gemt som Gmail-udkast.
E-mailene kommer tilbage som udkast. Intet bliver sendt, før en person sender det. Eksempeldata.
Maya omskriver én åbningslinje, dropper en creator, hvis publikum er for ungt, og sender fire. Det er hendes del af opgaven, og sådan skal det være.
6. Gør det genbrugeligt
Det er her, "kollega" gør sig fortjent til ordet. Næste måned skal Mayas kollega Dev bruge det samme til en anden lancering. Uden en måde at genbruge Mayas arbejde på starter han fra bunden og skal lære det hele igen.
I stedet beder Maya Okou om at gemme opgaven som en workflow. En workflow er en gemt opskrift: hvad der skal læses, hvilke trin der skal følges, hvordan resultatet skal se ud, og reglerne ("kun udkast, nævn aldrig et honorar, før vilkårene er aftalt"). Hendes note om publikums alder bliver ikke gemt af sig selv. Hun tilføjer den, fordi en rettelse først bliver en teamregel, når nogen skriver den ned.
Når Dev kører workflowen, bruger den hans Gmail og hans tilladelser, ikke Mayas. At dele en workflow deler metoden, ikke nogens indbakke eller login. Og en workflow kører ikke af sig selv. Hvis teamet vil have den hver måned uden at spørge, tilføjer de en automatisering (automation): en tidsplan, en navngiven ejer og et sted, resultatet skal hen.
En overdragelse, den næste person kan efterprøve
Mayas historie er illustrativ. Hvis du selv vil teste samme overdragelse, kan du bruge en lille eksempelopgave med tre faste regler: målgruppen skal være ikke-tekniske erhvervsbrugere; hver kandidat skal have nyere dokumentation for relevant arbejde; intet honorar eller nogen henvendelse må aftales før gennemgang.
Bed om en oversigt med disse kolonner: kandidat, dokumentation for målgruppe, nyere eksempel og dato, relevans, ukendte forhold, link til udkast, ansvarlig for gennemgang. En kandidat uden dokumentation for målgruppen forbliver et ubekræftet emne og indgår ikke i antallet af kvalificerede kandidater. Et usendt udkast er ikke en kontaktet partner.
| Kontrolpunkt | Det, der består | Det, der skal rettes |
|---|---|---|
| Dokumentation | En kilde og en dato underbygger påstanden om målgruppen | Et højt følgertal træder i stedet for relevans for målgruppen |
| Manglende fakta | Honoraret er markeret som ukendt | Udkastet opfinder en pris |
| Overdragelse | Hvert åbent spørgsmål har en navngiven ansvarlig for gennemgang | Den næste kollega må gætte, hvad der er uafklaret |
| Genbrug | Workflowet indeholder den rettede regel | Rettelsen findes kun i Mayas chat |
Indsæt bevidst en kandidat uden dokumentation for målgruppen, før du deler metoden. Kontrollér, at resultatet markerer hullet i stedet for at udfylde det. Lad derefter en kollega køre det gemte workflow med sine egne konti. Gennemgå det nye resultat og adgangsgrænsen separat: fælles instruktioner er ikke fælles tilladelser. Det er en gentagelig godkendelseskontrol, ikke en rapporteret kundetest eller et løfte om et bestemt resultat.
Hvor sammenligningen holder op
Når man kalder AI en kollega, skaber det forventninger. Nogle af dem er forkerte. Fem ting at huske:
- Den er ikke ansvarlig for resultatet. Det er du. "Det var AI'en, der gjorde det" overbeviser hverken en kunde, en klient eller din chef.
- Den husker ikke alt, hvad du nogensinde har sagt. Den kender det, der står i chatten, filerne og de gemte instruktioner, du giver den.
- At dele en AI-kollega betyder ikke at dele konti. Kolleger kan bruge den samme AI-kollega og de samme workflows og stadig beholde deres egne logins, chats og tilladelser.
- Den lærer ikke af en rettelse, medmindre du gemmer den. At rette dagens opgave retter ikke næste måneds. Det gør en opdatering af workflowen.
- Den kan være fremragende til én opgave og tage fejl i en lignende. Et studie fra 2023 af 758 BCG-konsulenter, der brugte GPT-4, viste, at AI gjorde dem hurtigere og bedre til de fleste opgaver, men dårligere til én, der virkede lige så nem. Nutidens modeller er langt stærkere end dem fra 2023, så læs ikke tallene som aktuelle. Pointen holder stadig: Du kan ikke se udefra, hvor AI er svag. Nogen, der kender arbejdet, skal tjekke det.
Den nye risiko: at give AI'en ret uden at lægge mærke til det
Der er et mere stille problem. Alex Tamkin, forsker hos Anthropic, skrev om det i oktober.
X · Alex Tamkin (@AlexTamkin) · 27. oktober 2026
"When experts delegate work to an agent, do they still make the key decisions?" (dansk: Når eksperter uddelegerer arbejde til en agent, træffer de så stadig de vigtige beslutninger?)
Studiet bag opslaget gav 50 professionelle dataanalytikere en realistisk analyseopgave, som de skulle løse med en AI-agent. Ved hver vigtig beslutning afgjorde et møntkast, hvilken af to rimelige muligheder agenten ville argumentere for. Analytikerne vidste det ikke. De valgte agentens side i 86 % af tilfældene, hvor tilfældigheden ville give 50 %. Bagefter sagde mere end halvdelen, at den endelige anbefaling føltes mere som deres egen end agentens.
Det er ét studie, med én type opgave og én gruppe eksperter. Men det passer med, hvad man også ville forvente af mennesker: Det er svært at være uenig med en selvsikker kollega, der har gjort alt forarbejdet. For Maya er pointen enkel. Træf de vigtige beslutninger, før du læser AI'ens argumenter. Hun havde allerede besluttet "intet honorar, før vilkårene er aftalt", før udkastene kom tilbage, så hun tjekkede udkastene op mod sin regel og ikke omvendt.
Microsofts Work Trend Index 2026 viser, at folk fornemmer det. I en undersøgelse af 20.000 personer, der bruger AI på arbejdet i 10 lande (februar til april 2026), sagde 86 %, at de behandler AI's output som et udgangspunkt og "stay responsible for the thinking" (dansk: beholder ansvaret for tænkningen). At tjekke AI's arbejde (50 %) og kritisk tænkning (46 %) toppede listen over evner, der betyder mere nu. Det er, hvad folk siger, ikke hvad de altid gør. Studiet ovenfor minder os om forskellen.
Salgsargumentet "AI-kolleger i stedet for ansættelser"
Du vil også se AI-kolleger solgt som en måde at slippe for at ansætte på.
X · Vasco Calais Pedro (@justvasco) · 7. oktober 2026
"We built Spinnable with 21 AI teammates and ONLY 5 humans" (dansk: Vi byggede Spinnable med 21 AI-kolleger og KUN 5 mennesker)
Pedro er Spinnables grundlægger, og det her er et lanceringsopslag, så læs det som markedsføring. Det giver alligevel et retvisende billede af, hvordan idéen bliver solgt: AI-kolleger talt med som medarbejdere.
Her er problemet med at tælle på den måde. Nogen skal stadig sætte målet, holde informationen opdateret, tjekke arbejdet og beslutte, hvornår metoden skal ændres. Fem personer, der arbejder med 21 AI-kolleger, er i virkeligheden fem personer, der styrer en masse uddelegeret arbejde. Det kan være en rigtig god handel. Men det er ikke 26 kolleger.
Microsofts rapport fra 2026 stiller de spørgsmål, som alle teams skal kunne besvare: hvem gennemgår agenternes arbejde, hvem må ændre de workflows, de kører, og hvordan deles ét godt resultat med alle andre? I Okou har svarene et sted at bo. Den person, der starter en opgave, tjekker det, der kommer tilbage. Teamets metoder ændres, når nogen redigerer den fælles workflow. Tilbagevendende arbejde kører som en automatisering med en navngiven ejer.
Hvad kan en AI-kollega tage sig af?
En enkel test: Hvis du ville give opgaven til en dygtig nyansat med et klart oplæg og adgang til de rigtige værktøjer, kan en AI-kollega sandsynligvis lave første udkast.
- Stiftere og driftsansvarlige: et ugentligt overblik hentet fra dine forretningsværktøjer, kundefeedback og tal, med links, forhindringer og hvem der ejer hvad.
- Marketing: en opsummering af kampagneresultater med forslag til næste skridt eller partnerresearch med udkast til opsøgende e-mails.
- Salg: et mødeoplæg ud fra tidligere e-mails, opkaldsnoter og CRM'et samt et udkast til opfølgning og en CRM-opdatering, som du godkender.
- Customer success: en opsummering af en kundes problem og historik med et udkast til svar, som kundeansvarlig kan tjekke.
- Stabschef: én samlet ledelsesopdatering hentet fra flere kanaler.
- Konsulenter og bureauer: en researchpakke til en klient, leveret i klientens skabelon.
De har tre ting til fælles. De involverer flere værktøjer. De ender i noget konkret. Og en person kan hurtigt tjekke resultatet. Flere idéer finder du i 20 AI agent examples for real work.
Hvor meget skal du overdrage?
Vælg, hvad AI'en må gøre, før du beslutter, hvornår den kører. Start med udkast, og udvid kun adgangen, når opgaven kræver det.
Vælg grænsen for handlinger først. En tidsplan kan starte begge ordninger; den giver ikke ekstra tilladelse.
- Udkast til gennemsyn. AI'en forbereder. En person sender, poster eller udgiver. Start her med alt, som kunder vil se.
- Handling med godkendelse. AI'en udfører opgaven, og alt, hvad den ikke har lov til, venter på en person. Godt til budgetændringer og CRM-opdateringer.
- Tilføj en tidsplan. En automatisering starter den gemte workflow med en navngiven ejer. Den beholder de samme grænser for handlinger og godkendelser. En teamopdatering mandag morgen er et godt første bud.
Hvis et udkast stadig kræver mange rettelser, så forbedr oplægget, før du tillader flere handlinger. Planlægning er en separat beslutning.
Sådan ser du, om et produkt virkelig er en AI-kollega
Alle kan bruge betegnelsen. Spørg i en demo eller prøveperiode:
- Fælles mål: Kan jeg give den en hel opgave og få færdigt arbejde tilbage?
- Fælles grundlag: Læser den mit teams rigtige dokumenter og fortæller mig, hvad den har forstået, og hvad der mangler?
- Forudsigelighed: Kan jeg se hvert trin og tjekke det bagefter?
- Styrbarhed: Kan jeg rette eller stoppe den midt i opgaven? Kan jeg tillade én handling (gemme et udkast) og blokere en anden (sende det)?
- Genbrug: Kan en kollega køre det, der virkede, med sine egne konti, uden at låne mit login?
Hvis de fleste svar er nej, har du en dygtig assistent. Det kan være alt, hvad du har brug for. Det er bare ikke en kollega.
Hvor Okou passer ind
Okou er en AI-kollega bygget til denne type overdragelse. Okous dokumentation beskriver det i tre trin: Du beskriver, hvad du har brug for, Okou samler konteksten og udfører arbejdet, og du gennemgår og bygger videre på resultatet.
I praksis handler det om nogle få vaner, du så i Mayas historie. Okou læser de e-mails, dokumenter og poster, opgaven kræver, og tjekker fakta mod deres kilde. Okou vælger et format, der passer til den næste person: en kort besked til en hurtig opdatering, et dokument til detaljer, der skal gennemgås, en præsentation til at føre en gruppe gennem en beslutning. Og når noget virker, gemmer teamet det som en workflow, som alle kan køre med deres egen adgang. Du kan bruge Okou i webappen eller ved at nævne @Okou i Slack.
Den mest retfærdige test er én rigtig opgave, som du normalt ville bruge en eftermiddag på. Hold den på "udkast til gennemsyn", og se grundigt på det, der kommer tilbage. Hvordan det fungerer på tværs af et helt team, kan du læse i AI team collaboration breaks at the handoff.
Ofte stillede spørgsmål
Hvad laver en AI-kollega?
Den tager en opgave, du ellers ville gøre i hånden, som at researche potentielle kunder, lave en ugentlig rapport eller skrive opsøgende e-mails, og fører den igennem med dine forbundne værktøjer. Den viser sine trin, gør kun det, du har givet lov til, og leverer færdigt arbejde tilbage, som du kan tjekke.
Er en AI-kollega det samme som en AI-agent?
For det meste. "AI-agent" er teknologien: software, der planlægger trin og bruger værktøjer for at nå et mål. "AI-kollega" er måden, et team arbejder med den på: hvem der giver den opgaver, hvad den har adgang til, hvordan den melder tilbage, hvem der godkender resultatet, og om andre kan genbruge det, der virkede. De fleste AI-kolleger er agenter. Ikke alle agenter arbejder som en kollega.
Er en AI-medarbejder det samme som en AI-kollega?
I praksis, ja. AI-medarbejder, virtuel kollega, digital kollega og AI-kollega er alle markedsføringsnavne for AI, der arbejder side om side med mennesker. Ingen af dem har en officiel definition. Bedøm produkterne på, hvad de gør: færdiggør rigtigt arbejde, bruger dit teams information, lader dig se og styre arbejdet og lader dig beholde beslutningerne.
Vil en AI-kollega erstatte mine medarbejdere?
Den overtager opgaver, ikke ansvar. Den kan klare research, udkast og at samle information. Nogen skal stadig sætte målet, give adgang, tjekke arbejdet og eje resultatet. De fleste små teams bruger en AI-kollega til at nå mere med de folk, de allerede har.
Hvordan giver jeg en AI-kollega sikker adgang til mine værktøjer?
Giv den kun det, opgaven kræver. Forbind kun de værktøjer, der indgår. Tillad specifikke handlinger i stedet for alt, for eksempel at gemme e-mailudkast, men ikke at sende dem. Brug tidsbegrænsninger til alt, der ændrer data eller bruger penge. Start hver ny opgave i en tilstand med kun udkast.
Hvad er en god første opgave til en AI-kollega?
Vælg noget, der gentager sig, har flere trin og er nemt at tjekke. En ugentlig teamopdatering, vurdering af nye leads eller research og e-mailudkast til en kort liste over kontakter fungerer alle godt. Hold den på udkast til gennemsyn, sammenlign resultatet med det, du selv ville have lavet, og gem den derefter som en workflow, før du sætter den på en tidsplan.
