Projects, Assistenter, Skills og Agenter

De fleste forsøger stadig at løse alle AI-opgaver i en almindelig chat. De største gevinster kommer først, når AI bruges på et mere avanceret niveau. Du skal lære at bruge Projects, specialiserede assistenter, Skills og agenter til de opgaver, de faktisk er udviklet til. Det sparer tid, øger kvaliteten og løfter hele arbejdsprocesser.

ChatGPT, Claude, Copilot og Gemini er ikke længere blot chatbots. De består af flere funktioner, som hver har deres eget formål. Projects samler viden og længere arbejdsforløb. Specialiserede assistenter løser bestemte opgaver. Skills sikrer en fast metode og ensartet kvalitet i gentagende processer. Agenter kan udføre opgaver selvstændigt på tværs af apps og data.

Det kræver derfor overblik at vælge den rigtige funktion til den rigtige opgave. Samtidig bruger leverandørerne forskellige betegnelser for funktioner, der ofte minder om hinanden. Det kan gøre det vanskeligt at sammenligne systemerne og udnytte deres fulde potentiale.

Kort sammenligning af AI-systemerne

✅ Funktionen findes i business plan
⚠️ Funktionen er begrænset eller kræver credits
❌ Der findes ikke en tilsvarende funktion

Tabellen bygger på leverandørernes officielle beskrivelser af deres funktioner. Markeringerne indeholder samtidig vores faglige vurdering af, om funktionerne reelt kan sammenlignes. Eksempelvis er NotebookLM et stærkt researchværktøj, men det gør det ikke automatisk til et fuldt Project. Funktionernes tilgængelighed afhænger desuden af abonnement, område og administratorens indstillinger.

Opdateret den 24. juli 2026.

Vælg det rette værktøj til opgaven

Mange virksomheder vælger ét AI-værktøj som standard og forventer, at det dækker alt. I praksis betyder det ofte, at særligt Microsoft-organisationer vælger Copilot, og Google-organisationer vælger Gemini.

Det giver mening organisatorisk og for IT-afdelingen. Men det er ikke det samme som, at det er det bedste værktøj til alle opgaver. Og de vil møde ansatte, som oplever dem mere begrænsede.

ChatGPT og Claude skiller sig ud ved at være mere alsidige og frie spillere. De er ikke bundet til én platform og giver derfor ofte adgang til flere funktioner samlet ét sted.

Ja, Copilot kan også meget. Men i praksis er funktionerne spredt ud over flere produkter, og meget af det avancerede kræver særlig opsætning, justering af rettigheder eller ekstra betaling. For en almindelig bruger betyder det ofte, at man kun får adgang til en lille del af mulighederne. Hvorfor, fordi det hurtigt bliver dyrt, hvis man vil mere i med AI hos Microsoft.

Det er derfor værd at være lidt skeptisk, når Copilot eller Gemini automatisk vælges som “det bedste”. Det er ofte et organisatorisk valg, ikke et fagligt valg, hvor ansatte har været inddraget og har restet AI på deres arbejdsopgaver. Det sagt, det skal nævnes, at for almene brugere af AI, vil der ikke opleves den store forskel. Estimeret når 80% aldrig over et AI-niveau, der gør at de oplever forskellen i praksis (forudsat at de naturligvis har betalt-licens).

Det rigtige valg af værktøj og funktion afhænger i større grad af opgaven og dens omfang.:

• Skal AI’en huske et længere forløb, har du brug for et Project.
• Skal den have en fast rolle, er en GPT, Gem eller Copilot-specialist relevant.
• Skal en metode genbruges, er en Skill relevant.
• Skal AI’en reagere automatisk uden menneskelig prompt efter en tidsplan, kræver det en online-agent.
• Skal den gennemføre en længere opgave på tværs af filer og apps, kræver det en agentisk arbejdsflade.
• Skal den arbejde med mapper, kode eller terminal, kræver det et agentisk udviklingsmiljø.

Virksomheden bør derfor ikke kun spørge: Hvilket AI-system har vi? De bør også overveje, om deres medarbejdere har adgang til de funktioner, deres opgaver faktisk kræver?

Når organisationens godkendte system ikke kan løse arbejdet, opstår der samtidig risiko for Shadow AI. Medarbejderne finder deres egne værktøjer, fordi den officielle løsning er for begrænset eller låst væk. Det kan skabe problemer med datasikkerhed og compliance.

Hvad er Projects?

Et Project er et vedvarende arbejdsområde. Her samles chats, filer, instruktioner og relevant viden omkring en proces eller et længere arbejdsforløb. Det gør det muligt at arbejde kontinuerligt med samme data, uden at starte helt forfra, hver gang en ny samtale startes.

Styrken ved Projects er altså, at de bevarer sammenhængen mellem opgaver. Brugeren kan starte nye samtaler inden for samme Project, og AI’en vil stadig forstå baggrunden automatisk. Det betyder at brugeren ikke skal prompte alt fra nul, men sparer tid og får større udbytte med lavere indsats. Kort sagt er det velegnet til komplekse opgaver, hvor der arbejdes i flere trin over længere tid.

Projects fungerer som et bredt skrivebord, hvor man samler dokumenter, noter, instruktioner og tidligere svar, så AI’en løbende kan bygge videre på det eksisterende arbejde. Det giver en mere konsistent kvalitet og reducerer behovet for gentagelser. Det er netop opgaver, hvor kontekst, historik og struktur gør en stor forskel for resultatet.

ChatGPT og Claude har gjort Projects til en central del af deres systemer. Projects samler chats, filer, instruktioner, hukommelse og værktøjer i ét samlet miljø, som AI’en kan trække på.

Notebook vs. Project

Copilot Notebooks og NotebookLM fra Google bliver ofte forvekslet med Projects, men de er udviklet til andet formål. En Notebook er først og fremmest bygget til at arbejde med udvalgte kilder. Brugeren samler dokumenter, noter og materiale, som AI’en analyserer og besvarer spørgsmål ud fra. Det gør dem velegnede til research, læsning og forståelse af indhold.

Kort forklaret: Et Project er udførende og løser arbejdsopgaver. En Notebook er analyserende og arbejder med kilder.

Notebooks kan være rigtig gode til studerende, research og forberedelse, men de dækker ikke samme behov som Projects i en arbejdsmæssig sammenhæng. Det er derfor misvisende at sidestille dem direkte. De løser forskellige opgaver, og for de fleste professionelle brugere der skal udføre handlinger, vil Projects være det mest relevante værktøj.

Hvad er en opgavespecifik AI?

En opgavespecifik AI, er en tilpasset assistent, der er bygget til ét bestemt formål. Den har faste instruktioner, adgang til udvalgt viden og en tydelig rolle, som den følger i alle samtaler.

Hos OpenAI hedder løsningen en GPT, mens Google kalder den en Gem-bot. Copilot tilbyder samme grundlæggende funktion gennem det, de kalder Agenter. Microsofts betegnelse Copilot Agent er dog misvisende. Funktionsniveauet minder mere om GPT’er og Gems, end om egentlige AI-agenter.

En opgavespecifik AI kan opsættes til mange forskellige typer af opgaver. Men husk, den er bygget til ét bestemt formål. Så du opretter sjældent kun én. Fordelen er, at brugeren ikke behøver at forklare rollen og arbejdsområdet på ny i hver samtale, da der er gemt en opgavespecifik AI til formålet. Ved gentagende processer, er det oplagt. Eksempler kunne være opgavespecifikke AI opsat til at skrive produkttekster, jobansøgninger, oversættelser eller lave udkast til blogindlæg og artikler.

Claude har ikke et særskilt produkt, der direkte svarer til GPTs, Gems og Copilot Agenter. Det behøver dog ikke være et stort problem i praksis. Brugeren kan oprette et snævert Project, med ét klart formål, faste instruktioner og et afgrænset vidensgrundlag.

Forskellen på Projects og opgavespecifikke AI: Et Project samler et længere arbejdsforløb. En opgavespecifik AI fastholder en bestemt rolle og et bestemt fagområde. Den løser det samme, hver gang.

Hvad er en Skill?

En Skill er en genanvendelig arbejdsmetode, som AI’en kan anvende, når den møder en bestemt type opgave. En Skill vil oplyse AI’en om, hvordan arbejdet præcist udføres. Så vil du minimere gæt, og lave en mere målrettet udførelse.

En Skill kan blandt andet indeholde:

• faste arbejdstrin
• regler og krav
• eksempler på gode resultater
• skabeloner og referencefiler
• beregninger og kvalitetskontrol
• scripts eller kode

Det er her, Skills bliver en meget vigtig overbygning i arbejdet med AI.

Når arbejde skal udføres ens hver gang, er det ikke nok med en opgavespecialiseret AI. Det gælder for eksempel tilbudsberegning, webshopanalyser eller andre opgaver, hvor metode, struktur og kvalitet skal være konsistent.

En tilbudsspecialist kan godt være oprettet som en GPT. Men selve metoden til at beregne priser, kontrollere krav og opstille det færdige tilbud bør ligge i en Skill. Det samme gælder en webshoppanalyse, hvor struktur, vurderingskriterier og konklusioner skal følge en fast metode. Særligt hvis den samme rapport skal laves hver uge, måned eller andet.

Mange bruger stadig opgavespecialiserede AI’er til den type opgaver. Fagligt set, er det en svagere måde at løse dem på, fordi metoden ikke er fastlåst. Resultatet kan derfor variere fra gang til gang.

Når en Skill indeholder scripts eller kode, kan den samme kode nemlig genbruges, hver gang opgaven udføres. Det sikrer et kontinuerligt og ensartet arbejde. En opgavespecialiseret AI vil derimod skrive koden på ny hver gang, hvilket kan give variationer i resultatet.

Du må ikke undgå at lave Skills. De er fundamentet for at skabe ensartet kvalitet og genbrugelige arbejdsmetoder på tværs af organisationen. Metoden bliver ikke bundet til én assistent, men kan bruges på tværs af chats, Projects og agentiske arbejdsflader, når den relevante opgave opstår. Skills er altså enormt alsidige!

OpenAI og Claude tilbyder Skills. Microsoft har også Skills, men de er knyttet til Copilot Cowork, som afregnes med credits. Google har Skills i Gemini Spark, men Spark er endnu ikke tilgængelig for danske virksomhedsbrugere.

En skill sikrer den metode som AI’en skal følge, for at løse opgaven korrekt. Hver gang.

Hvad er en agent?

En AI-agent kan automatisk udføre opgaver og handlinger, på vegne af brugeren. Den nøjes ikke med at skrive et svar, men arbejde med apps, data og værktøjer for at skabe et resultat.

I denne del, fokuserer vi på online agenter. Det er agenter, der arbejder i skyen og derfor ikke er afhængige af, at brugerens computer er tændt, eller at en bestemt chat står åben.

Eksempelvis kan en agent overvåge din indbakke og automatisk udarbejde og sende svar.

Agenter kan typisk aktiveres på tre måder:

• Den følger en fast tidsplan
• Aktiveres når noget bestemt sker i et system
• Når brugeren selv skriver med den

Det er her, forskellen på en opgavespecifik AI og en agent bliver tydelig.

En GPT, Gem eller Copilot-specialist venter normalt på, at brugeren åbner den og starter en samtale. En agent opdager selv at der er kommet en ny besked, finde den nødvendige information og gennemføre opgaven, uden du udfører noget manuelt

En agent kan dog kun arbejde med de systemer, den har adgang til. og udføre handlinger ud fra de rettigheder den er bevilliget. Skal den besvare mails, kræver det fuld adgang til indbakken. Skal den opdatere data i et CRM-system eller oprette en kalenderaftale, kræver det en relevant App, connector eller integration.

ChatGPT tilbyder Workspace Agents, Claude kan gennemføre planlagte opgaver gennem Cowork, Microsoft bygger de ægte agenter i Copilot Studio, og Google tilbyder online-agenter og automatiseringer gennem Workspace Studio og Google Spark.

En Agent kan automatisk udføre handlinger i dens tilsluttede systemer.

Apps afgør, hvad agenten faktisk kan

En agent skaber først for alvor værdi, når den kan arbejde med de systemer, din virksomhed bruger.

Det kan være Outlook, Gmail, kalender, CRM, SharePoint, Slack, projektstyring, økonomisystemer eller interne databaser. Uden adgang til relevante Apps bliver agenten let en avanceret chatbot, som fortsat overlader det praktiske arbejde til brugeren.

ChatGPT er aktuelt den udbyder, med det bredeste udvalg af plugins og connectors. Det betyder, at ChatGPTs agenter kan forbindes med flere forskellige typer data og arbejdsgange, end de konkurerrende AI-systemer.

Med ChatGPT og Claude kan du hente oplysninger fra én App, behandle dem efter en Skill og placere resultatet i et andet system. Ser vi på de andre, er deres fokus primært egne systemer, me flere udvikdelser kommer. Microsoft integrerer stærkt med deres programmer, mens Gemini er tæt integreret med Gmail, Drive, Docs, Kalender og de øvrige Google-værktøjer.

Opsummeret kan en Microsoft-organisation altså godt få større værdi af Copilots direkte adgang til Outlook, Teams og SharePoint. Det afgørende er alts ikke kun antallet af Apps, men om agenten har den korrekte adgang til de rigtige systemer. ChatGPT og Claude kan også også forbindes med mange af Microsofts systemer, men Microsoft har naturligvis en lille fordel i deres egne systemer. Dog koster det så ekstra økonomi at opsætte disse i Microsoft.

Agentiske arbejdsflader, CoWork og Work

CoWork og Work er agentiske arbejdsflader, hvor AI’en kan planlægge og gennemføre større opgaver i flere trin.

I en almindelig chat hjælper AI’en typisk med den del af arbejdet, du beskriver. Med CoWork/Work fortæller du i højere grad, hvilket resultat du ønsker. Systemet kan derefter undersøge materialet, vælge relevante værktøjer og arbejde frem mod en samlet leverance.

Eksempelvis kan det være, at forberede et kundemøde ud fra mails, kalender og dokumenter.

En agentisk arbejdsflade samler dermed flere af de funktioner, vi allerede har gennemgået. Den bruger Apps til at hente data, Skills til at følge en bestemt metode og evt. Projects til at forstå den relevante sammenhæng.

CoWork/Work modtager et ønsket resultat og planlægger selv en større opgave, hvor arbejdstrinnene kan ændre sig undervejs, fordi AI’e bliver klogere.

ChatGPT Work og Claude Cowork

ChatGPT Work er udviklet til længere opgaver og færdige leverancer. Det kan arbejde på tværs af filer, research og Apps og skabe blandt andet dokumenter, regneark, præsentationer, rapporter og websites. Claude Cowork løser på samme vis de samme typer opgaver. Det kan arbejde med filer, Skills, research og tilknyttede systemer. Cowork kan også køre planlagte opgaver online, selv om brugerens computer er slukket.

I begge systemer er et almindeligt niveau af brug inkluderet i de relevante abonnementer. Der findes fortsat forbrugsgrænser, og meget aktive brugere kan få behov for ekstra kapacitet. De centrale funktioner er dog tilgængelige, uden at hver enkelt opgave automatisk udløser en særskilt betaling.

Copilot Cowork kan blive dyrt

Copilot Cowork er Microsofts svar på Claude Cowork og ChatGPT Work.

Funktionelt kan Copilot Cowork gennemføre de samme typer opgaver som ChatGPT Work og Claude Cowork. Den store forskel er dog betalingsmodellen. Copilot Cowork kræver først en Microsoft 365 Copilot-licens. Selve Cowork-forbruget er dog ikke inkluderet i abonnementet, men afregnes særskilt med Copilot Credits fra den første opgave.

Microsofts egen creditguide viser tre eksempler på forventet forbrug, ved køb af Copilot Credits til $0.01:

Niveau	Microsofts eksempel	Credits	Omtrentlig pris
Light	Ugentlig statusopdatering med prioriteter og møder fra kalenderen	70 til 200	0,70 til 2,00 USD
Medium	Forberedelse til kundemøde med mails, kalenderdata, CRM-data og filer samlet i et briefingdokument	400 til 600	4,00 til 6,00 USD
Heavy	Analyse af seks måneders produktdata med klassificering og en ledelsesrapport	Mere end 1.500	Mere end 15,00 USD

Kilde: Microsoft Copilot Credits Guide, 16. juni 2026.

Det faktiske forbrug afhænger blandt andet af datamængden, de valgte modeller, antallet af værktøjer og den tid, agenten arbejder. Eksemplerne viser tydeligt, at Cowork ikke bare er en ekstra funktion i den almindelige Copilot-licens. Selv en ugentlig statusopdatering kan skabe et løbende forbrug, mens større analyser kan koste mere end 15 dollar pr. gennemførelse.

Det kan naturligvis være en god investering. Hvis en opgave til 15 dollar erstatter flere timers manuelt arbejde, er regnestykket enkelt.

Udfordringen opstår, når mange medarbejdere bruger Cowork til tilbagevendende opgaver, uden at virksomheden har overblik over forbruget. En enkelt opgave er sjældent problemet. Det er gentagelsen på tværs af medarbejdere, kunder og afdelinger, der kan gøre løsningen dyr.

Copilot Cowork er derfor typisk afskræmet fra den almene Copilot-bruger, fordi IT har valgt dette. Med god grund, set ift. hvor dyrt det kan blive, hvis det misbruges.

Copilot kan meget. Men de avancerede funktioner er oftere placeret bag ekstra licenser, særskilt opsætning og løbende betaling end hos ChatGPT og Claude.

Gemini Spark

Gemini Spark er Googles tilsvarende agentiske arbejdsflade. Systemet kombinerer længere opgaver, Skills, Apps og planlagte kørsler. Spark er dog endnu ikke tilgængelig i Danmark. Funktionen understøtter samtidig ikke almindelige virksomhedskonti på samme niveau som de øvrige løsninger.

Google Workspace Studio kan allerede bruges til at bygge automatiseringer og agenter i Google Workspace. Studio er dog mere fokuseret på faste workflows, mens Spark er tænkt som den bredere arbejdsflade, hvor brugeren kan give AI’en en større opgave og lade den planlægge udførelsen.

Hvad er agentisk AI til kode?

Agentisk AI til kode er et værktøj, der kan arbejde direkte med mapper, filer, kode og terminal. En almindelig chatbot kan skrive et stykke kode og forklare, hvordan det skal bruges. Et agentisk kodeværktøj kan derimod undersøge et helt projekt, forstå sammenhængen mellem filerne, planlægge ændringer og udføre arbejdet direkte.

Det kan blandt andet gennemgå en projektmappe, redigere flere filer, køre terminalkommandoer, installere komponenter, teste løsningen og rette fejl.

OpenAI har Codex, Claude har Claude Code, Microsoft har GitHub Copilot, og Google har Antigravity.

Det handler ikke kun om programmering

Agentisk AI til kode lyder som et værktøj for udviklere. I praksis kan det også bruges til mange tekniske arbejdsopgaver, som ellers kræver gentagne manuelle handlinger.

Det kan eksempelvis være at sammenligne flere Excel-filer, rense data, organisere en stor dokumentmappe, bygge et mindre internt værktøj eller hente information gennem et API. Forskellen er, at AI’en ikke kun fortæller brugeren, hvordan opgaven kan løses. Den kan udføre arbejdet direkte i det miljø, hvor filerne og systemerne befinder sig.

Det gør agentiske kodeværktøjer relevante for flere medarbejdere end klassiske programmører. En erfaren bruger kan bygge forholdsvis avancerede løsninger uden selv at kunne skrive al koden fra bunden. Det kræver dog fortsat kontrol. AI’en kan misforstå en filstruktur, vælge en uhensigtsmæssig metode eller ændre de forkerte data. En løsning kan også fungere i en enkelt test uden at være stabil nok til drift. Agentisk AI fjerner ikke behovet for faglig forståelse. Det gør det muligt at arbejde hurtigere og løse opgaver, som tidligere krævede langt flere tekniske ressourcer.

Fire forskellige udviklingsmiljøer

Codex, Claude Code, GitHub Copilot og Google Antigravity er i dag langt mere tilgængelige end de første terminalbaserede kodeagenter.

Codex findes direkte i ChatGPTs desktop-app. Her kan brugeren åbne en lokal mappe, beskrive en opgave og følge med, mens Codex undersøger projektet, redigerer filer og afprøver løsningen. Det gør Codex relevant til langt mere end traditionel programmering, eksempelvis databehandling, filarbejde, automatiseringer og udvikling af mindre interne værktøjer.

Claude Code er tilsvarende en del af Claude Desktop. Brugeren kan starte en Code-session direkte i appen, vælge en lokal mappe og lade Claude arbejde med projektets filer. Claude Code kan også bruge browseren og andre programmer på computeren, når opgaven kræver det.

GitHub Copilot har sin egen desktop-app til agentstyret udvikling. Her kan brugeren arbejde med lokale mapper og GitHub-projekter, starte flere opgaver parallelt og gennemgå ændringer, tests og pull requests i den samme arbejdsflade. GitHub Copilot er dog fortsat et separat produkt fra Microsoft 365 Copilot, som koster både eget abonnoment og Credits.

Google Antigravity er også en selvstændig app. Den fungerer som en samlet arbejdsflade, hvor brugeren kan starte og overvåge flere agenter, arbejde med lokale projekter og lade AI’en koordinere opgaver på tværs af filer, browser og udviklingsværktøjer.

Terminalen og de klassiske udviklingsmiljøer findes stadig og giver mere tekniske brugere ekstra kontrol. De er dog ikke længere den eneste indgang. For de fleste brugere begynder arbejdet nu i en visuel app, hvor man kan beskrive opgaven, følge processen og kontrollere resultatet. Det gør agentisk AI til kode relevant for langt flere end udviklere. Du behøver ikke længere begynde med kommandoer og teknisk opsætning. Du kan begynde med den arbejdsopgave, du ønsker løst.

Kan virksomheden nøjes med ét AI-system?

Virksomheden bør have en standard for, hvilket system de giver til deres ansatte. Det gør det lettere at styre data, sikkerhed, licenser, support og fælles arbejdsgange. For de fleste medarbejdere skal og vil dette system være tilstrækkeligt til langt de fleste opgaver. Men for specialister, AI-ansvarlige og medarbejdere, der arbejder mere avanceret med AI, er ét standard system sjældent nok.

De forskellige AI-systemer har forskellige styrker. ChatGPT og Claude er brede systemer, som i deres licenser tilbyder ekstra muligheder for avancerede AI-burgere. Copilot og Gemini skaber værdi, når den ansatte arbejder tæt med virksomhedens eksisterende platform i øko-systemerne. Copilot i Microsoft 365, mens Gemini integrerer i Google Workspace.

Udstyr medarbejdere med systemer, som spiller dem gode. Men husk, at flere licenser skaber ikke automatisk bedre resultater. Det afgørende er, at virksomheden vælger værktøjer ud fra opgaver, data og arbejdsgange.

Professionelle brugere kan eksempelvis udarbejde en analyse i ét system og få den udfordret eller kvalitetssikret i et andet. De kan vælge forskellige modeller til research, tekst, data, kode eller automatisering. Samtidig giver flere godkendte systemer ekstra kapacitet, når større opgaver rammer begrænsninger for tokens, forbrug eller antallet af forespørgsler.

Den største begrænsning er dog sjældent kun værktøjet. Mange brugere udnytter kun en lille del af det system, de allerede har adgang til. De arbejder fortsat med enkelte spørgsmål og svar, selvom AI også kan bruges med mere avancerede funktioner som projekter, opgavespecifikke assistenter, Skills og agentiske arbejdsgange.

Derfor bør virksomheden ikke kun investere i licenser. Den bør også opbygge kompetencer, så medarbejderne kan vælge det rigtige værktøj, formulere opgaven præcist og kontrollere resultatet.

En god AI-strategi er sjældent kun, at have ét system til alt. På vores kursus AI Master, lærer du at arbejde professionelt på tværs af AI-systemer. Du får styr på prompts, projekter, GPT’er, Skills og agenter og arbejder med konkrete opgaver fra din egen arbejdsdag. Målet er ikke at bruge flest mulige værktøjer, men at vælge de bedste og anvende dem bedre.