AI-agent til automatisering af supportsager, fra svar til lukning

En sag, der er godt sorteret, men uden svar, gør ingen nytte. Når man ved, hvad den handler om, og hvor meget den haster, mangler der stadig at blive udarbejdet et svar, postet det, fulgt op på fristen, før den overskrides, og lukket sagen ordentligt. Det er denne del af arbejdet, den mest gentagne og mest følsomme over for volumen, som en autonom AI-agent kan tage sig af.

Problemet

Omkostningen ved dårlig sagsbehandling ses hurtigt i kundernes adfærd. Ifølge Zendesk Benchmark-data, gengivet af Zendesk, skifter 73 % af forbrugerne mærke efter flere dårlige serviceoplevelser, og over halvdelen gør det allerede efter én dårlig oplevelse (https://www.zendesk.fr/blog/customer-service/satisfaction/customer-service-statistics/). Zendesks CX Trends 2026-rapport, baseret på over 11.000 respondenter i 22 lande, peger i samme retning: 85 % af de adspurgte CX-ansvarlige vurderer, at kunder forlader et brand efter et uløst problem, også ved den allerførste henvendelse (https://cxtrends.zendesk.com/).

Den gode nyhed er, at de samme Zendesk Benchmark-data viser, at AI allerede opfattes som nyttig på præcis dette område: næsten 8 ud af 10 forbrugere mener, at en AI-bot er nyttig til enkle problemer, og to tredjedele af de adspurgte ledere siger, at deres AI-investeringer i kundeservice har givet betydelige performance-forbedringer. Et konkret resultatsignal kommer fra en udbyder i branchen: Intercom, der sælger sin egen AI-supportagent (Fin), oplyste i juni 2026 en gennemsnitlig løsningsrate på 76 % på tværs af sine over 7.000 kundeteams, et tal der ifølge udbyderen er steget hver måned (https://www.intercom.com/blog/from-resolutions-to-outcomes-evolving-how-fin-delivers-value/). Det er et tal, en udbyder selv har offentliggjort om sit eget produkt, ikke en uafhængig måling, det skal læses med det forbehold, men størrelsesordenen giver en idé om, hvad en AI-assisteret behandling kan dække af vidensbaserede sager.

Det, disse tal ikke viser, er det forudgående arbejde, der skal til, for at en høj løsningsrate overhovedet kan nås: en opdateret vidensbase, relevante makroer til tilbagevendende sager, en SLA-opfølgning der advarer før fristen frem for efter. Uden denne forberedelse producerer en automatiseret behandling primært generiske eller irrelevante svar, hvilket skader tilliden snarere end at styrke den. Det er præcis dette gab, agenten er designet til at lukke: at bygge på det, der allerede findes, i stedet for at opfinde et svar fra bunden.

Hvad agenten gør, trin for trin

På Atako arbejder denne agent på sager, der allerede er åbnet og kategoriseret, uanset om de er sorteret af en person eller af en dedikeret sorteringsagent. Den overvåger køen løbende, på tværs af alle forbundne ticketing-kanaler, uden at afhænge af teamets arbejdstider.

For hver sag søger den i virksomhedens vidensbase efter den mest relevante artikel og udarbejder derefter et svar tilpasset sagens præcise kontekst og den tone, virksomheden har fastlagt. Hvis grantet på ticketing-connectoren tillader skriveadgang, poster den svaret direkte, ellers forbereder den det som kladde til menneskelig godkendelse. Sideløbende beregner og følger den den resterende SLA-frist for hver sag ud fra dens prioritet, og advarer teamet på Slack, når en sag nærmer sig sin frist uden tilstrækkeligt svar. Når en sags årsag matcher et mønster, der allerede er løst flere gange, anvender eller foreslår den en makro i stedet for at udarbejde et svar fra bunden. Når sagen er løst, opdaterer den kundekortet i CRM'et med et resumé af løsningen.

Integrationerne i spil

Zendesk og Freshdesk modtager det udarbejdede svar via update_ticket, hvis grantet tillader skriveadgang, og lader agenten følge sagens status frem til lukning. Notion fungerer som vidensbase: agenten søger her efter den relevante artikel med search eller query_database, inden den overhovedet udarbejder noget, hvilket forhindrer den i at opfinde et svar uden kilde.

HubSpot opdaterer kundekortet, når sagen er løst, med et resumé af løsningen noteret på den pågældende kontakt eller deal. Slack modtager advarslen, når en sag nærmer sig sin SLA-frist uden tilstrækkeligt svar, så et menneske kan overtage, før fristen overskrides.

Det, der stadig er op til mennesket

Agenten udarbejder aldrig et svar fra bunden: den bygger på den eksisterende vidensbase, og hvis den ikke dækker sagens emne, har den intet pålideligt at tilbyde. Hver integration, den bruger, afhænger af et præcist grant: et skrivebeskyttet grant på Zendesk tvinger for eksempel agenten til at forberede sine svar som kladde i stedet for at sende dem direkte, hvilket giver et systematisk menneskeligt kontrolpunkt, så længe teamet ønsker det.

Tre ansvarsområder forbliver klart menneskelige. Først godkendelse eller rettelse af genererede svar før afsendelse, på alt der ikke matcher en makro, teamet allerede har godkendt. Dernæst behandling af komplekse eller eskalerede sager, som vidensbasen ikke dækker, hvilket kræver reel dømmekraft om kundens sag og til tider en kommerciel beslutning, agenten ikke har mandat til at træffe alene. Til sidst vedligeholdelse af vidensbasen: uanset hvor velkonstrueret en agent er, kan den ikke svare korrekt ud fra forældet eller ufuldstændig dokumentation.

Dette fungerer efter princippet om human-in-the-loop: agenten absorberer den gentagne udarbejdelse og fristopfølgningen, mennesket beholder kontrollen over det, der reelt går ud til kunden, så snart sagen falder uden for det kendte rammeværk. Hver handling, agenten udfører, postet svar, anvendt makro, CRM-opdatering, logges med sin status og kan ses i agentens aktivitetstidslinje, samt i den virksomhedsdækkende integrationslog for en administrator.

Målbart resultat

Over tid ændrer denne regelmæssighed også den måde, supportteamet oplever sin arbejdsbyrde på: færre stresstoppe knyttet til SLA-frister, der overskrides i stilhed, og mere tid brugt på sager, der reelt kræver menneskelig dømmekraft, frem for et svar der allerede er skrevet et andet sted.

Den primære gevinst måles på to akser: overholdelse af SLA-fristerne, fordi agenten overvåger hver sag løbende og advarer før fristen frem for efter, og ensartetheden i svarenes kvalitet, fordi de altid hentes fra den samme vidensbase i stedet for at blive omformuleret forskelligt hver gang af forskellige personer. Det fritager ikke for at holde vidensbasen opdateret, det er faktisk en forudsætning for, at resultatet holder over tid: uanset hvor velkonstrueret en agent er, forbliver den afhængig af kvaliteten af det, den får at læse, hvilket gør dokumentationen til en løbende investering frem for en enkeltstående opgave, der klares én gang for alle ved projektets start og derefter glemmes indtil næste hændelse.

Atakos Standard-plan koster 20 euro om måneden per agent-slot, med 1000 credits inkluderet hver måned til de modelkald, der bruges til artikelsøgning, udarbejdelse og SLA-opfølgning. Denne omkostning forbliver den samme uanset volumen af behandlede sager i måneden, kun antallet af samtidigt aktive agenter tæller med. Detaljerne findes på siden om priser.