Spring til indhold
Gathena
en

Lær · Guide

Sådan forankrer I en AI-agent i jeres egne data

Udgivet 31. oktober 2026

Kort svar. I forankrer en AI-agent i jeres egne data ved at få fem ting på plads. Jeres data ligger ét sted, hvor hvert tal kan spores tilbage til den optegnelse, det kom fra. En virksomhedsordbog siger, hvad jeres ord og tal betyder. Agenten slår op i jeres egne kilder i det øjeblik, den svarer. Hvert svar viser sin kilde. Og når der ingen kilde er, siger agenten det. Derefter tester I den med spørgsmål, I allerede kender svaret på, før nogen stoler på den.

Fagets ord for det er grounding. Guiden forklarer hver del, hvordan I sætter det op trin for trin, hvordan I tjekker, at det virker, og hvad det ikke lover. Hvad grounding er, og hvorfor AI tager selvsikkert fejl uden det, står i indlægget Grounding er modgiften mod hallucinationer (på engelsk).

Fem ting skal være på plads

Del Hvad den gør Uden den
Et datafundament Samler data fra jeres systemer ét sted, hvor hvert tal kan spores tilbage til den optegnelse, det kom fra. Datafundamentet forklaret Agenten læser eksporter og regneark og gentager deres fejl, nu med en kilde på.
Virksomhedsordbogen Siger, hvad jeres ord og tal betyder, og hvordan de hænger sammen. Agenten finder den rigtige tabel og tæller det forkerte.
Opslag i jeres egne kilder Lader agenten søge i jeres data og dokumenter, hver gang den svarer, med sin egen adgang. Agenten svarer ud fra det, modellen har lært, og jeres virksomhed var aldrig en del af det.
En kilde på hvert svar Viser filen og siden eller tabellen og rækken bag hvert svar. Ingen kan tjekke svaret uden at lave arbejdet om.
Et svar, når der ingen kilde er Får agenten til at sige “Det kan jeg ikke finde i jeres data” eller pege på, hvor svaret måske står. En manglende oplysning bliver til et selvsikkert gæt.

Sæt det op i syv trin

  1. Vælg spørgsmålene. Begynd med ét spørgsmål, jeres virksomhed besvarer hver måned, for eksempel hvad I brugte på fragt i sidste kvartal. Skriv ned, hvilke systemer og dokumenter svaret berører. Den liste er agentens første kilder. Det samme første trin står i Få styr på jeres data, før I køber endnu et AI-værktøj (på engelsk).

  2. Saml kilderne ét sted. Forbind systemerne til datafundamentet, så tallene kommer fra ét data warehouse, der opdateres fast, og hvor hvert tal kan spores tilbage til sin optegnelse. Dokumenter som politikker og kontrakter kan blive, hvor I har dem, så længe agenten kan læse dem og henvise til siden.

  3. Skriv ned, hvad jeres ord og tal betyder. Føj de begreber, spørgsmålene bruger, til virksomhedsordbogen. Betyder “omsætning” før eller efter rabatter? Hvilke konti tæller som fragt? Hvornår begynder jeres regnskabsår? Hvilken kunde er hvilken, når den samme kunde optræder to gange? En medarbejder kender svarene; agenten kender kun det, der står skrevet. Virksomhedsordbogen

  4. Giv agenten en måde at slå op på. At slå op i jeres egne kilder lige før svaret kaldes retrieval, og metoden kaldes RAG. Til tal spørger agenten jeres data warehouse. Til dokumenter søger den i teksten, på præcise ord, på ord, der ligner, eller på betydning. Agenten forbinder sig med sin egen adgang, som jeres IT, internt eller hos jeres IT-partner, sætter op, og som virksomheden styrer. Giv den kun læseadgang, og kun til det, den person, der spørger, må se; guiden om guardrails forklarer hvorfor. Model Context Protocol, MCP, er en åben standard for netop den slags forbindelse mellem en AI-applikation og jeres datakilder (MCP-specifikationen).

  5. Bed agenten om kun at svare ud fra det, den fandt, og vise hvor. Dens instrukser siger: Brug kun de kilder, du har slået op, ikke generel viden, og angiv kilden ved hvert svar: filen og siden eller tabellen og rækken og datoen for data. Det er præcis, hvad modeludbyderne anbefaler. Anthropics vejledning til Claude-modellerne råder for eksempel til at begrænse svarene til de dokumenter, modellen har fået, og til at bede om en kilde bag hver påstand (Anthropic, Reduce hallucinations).

  6. Fortæl agenten, hvad den skal gøre, når der ingen kilde er. Dens instrukser giver den lov til at sige “Det kan jeg ikke finde i jeres data” og til at sige, hvor svaret måske står. Samme vejledning nævner den tilladelse som en grundlæggende måde at få færre forkerte svar på.

  7. Skriv hvert svar i logbogen. Logbogen gemmer spørgsmålet, svaret, forespørgslen og de tabeller eller dokumenter, agenten læste. Når nogen senere spørger, hvor et tal kom fra, viser logbogen det. Logbogen

Det viser et forankret svar

Hvert svar fra en forankret agent har fire dele:

Del Hvad den viser
Svaret Tallet eller oplysningen, med virksomhedens egne ord
Kilden Filen og siden eller tabellen og rækken, svaret kommer fra, som et link, man kan åbne
Datoen for data Hvornår data sidst blev opdateret, så man ved, hvor aktuelt svaret er
Det, den ikke kunne finde Enhver del af spørgsmålet uden kilde, sagt lige ud

Mangler én af de fire, er agenten endnu ikke forankret.

Test det, før nogen stoler på det

Evals er tests, der kan gentages, og som kører agenten på spørgsmål med kendte svar. Før nogen stoler på agenten, kører I evals med fire slags spørgsmål:

  • Spørgsmål med kendte svar. Tag dem fra rapporter, I allerede har tjekket, for eksempel rapporten fra sidste kvartals månedsafslutning. Agentens svar skal stemme, og kilden skal være den rigtige optegnelse.
  • Spørgsmål, data ikke har svar på. Spørg til en leverandør, I aldrig har brugt, eller til en periode, før jeres data begynder. Agenten skal sige, at den ikke kan finde det.
  • Spørgsmål med jeres egne ord. Brug virksomhedens begreber, for eksempel “åben faktura” eller “fragt”. Agenten skal tælle det, virksomhedsordbogen siger, ikke det, ordet betyder andre steder.
  • Stikprøver på kilderne. Åbn nogle af de kilder, agenten angiver, og tjek, at de siger det samme som svaret.

Kør jeres evals igen efter hver ændring af model, kilder, virksomhedsordbog eller instrukser. Anthropics vejledning påpeger, at teknikkerne giver færre forkerte svar, men ikke fjerner dem helt. Derfor stopper testen aldrig.

Det lover grounding ikke

  • Kilden kan stadig være den forkerte. Agenten kan vælge den forkerte række eller læse et dokument forkert. Fordi kilden følger med svaret, kan et menneske se det og rette det.
  • Rodede data giver rodede svar, med kilde. Grounding er aldrig bedre end datafundamentet under det.
  • Aktuelt er ikke det samme som live. Et data warehouse, der opdateres hver nat, svarer godt på spørgsmål om i går. Datoen for data på hvert svar fortæller, hvad man ser på.

Derfor bevarer operatøren, den person i virksomheden, der tjekker agentens arbejde og godkender det, styringen. Et svar på et spørgsmål internt i virksomheden kan ligge i “handler selv”. Før et tal går til nogen uden for virksomheden, “spørger først” agenten. Hvor et svar indgår i en postering, gælder “operatøren godkender”. Den længere udgave af disse begrænsninger står i indlægget om grounding, som der linkes til øverst i guiden.

Kilder

Kom med ét spørgsmål, jeres virksomhed besvarer hver måned. Vi gennemgår, hvilke kilder svaret kræver, hvad jeres ord betyder, og hvordan svaret kommer til at vise sin kilde.

Book en samtale