AI Ops

Administrerte AI-agentteam som driver backoffice-en din. De lærer. De husker. De blir bedre over tid.
VPS: online 24/7
Claude Code: aktiv
Paperclip: orkestrerer
4 agenter utrullet
Systemarkitektur
Fem lag. Data flyter fra topp til bunn. Hvert lag gjør én ting godt.
Orkestrering

Paperclip + Claude Code

Selvhostet, always-on VPS
To orkestreringslag. Paperclip: oppgavetildeling, kostnadsbudsjetter, organisasjonskart, revisjonslogg. Claude Code: agentisk eksekverig, kontekst-routing, skill-kjeder, sanntidsorkestrering. Hver kunde = isolert selskap eller dedikert VPS-instans.
oppgaverkostnadssporingrevisjonsloggheartbeatsagentisk eksekeveringskill-kjeder
Triggere

n8n

Arbeidsflytautomatisering
Nervesystemet. E-poster, webhooks, tidsplaner starter agentarbeid. Kobler til Gmail, Monday.com, Stripe, alle API-er.
e-post-triggerewebhooksPDF-uttrekkAPI
Agenter

Hermes / Claude Code

Persistent kjøretid
Arbeidere med identitet. De husker tidligere arbeid, lærer av korreksjoner, samarbeider på tvers av plattformer.
persistent identitetkryssplattformmulti-LLMlærer
Minne

Vault Sync / Supermemory / Hermes

Styrt, navnedelt, fleksibelt
Tre alternativer etter kundens behov. Vault sync: markdown-filer synkronisert mellom VPS og lokalt (Syncthing, enklest, ingen ekstra infra). Supermemory: managed API med per-kunde namespaces (strukturert uthenting i skala). Hermes: iboende agentidentitetsminne (cross-platform recall, agenter husker samarbeid). Alle blir bedre over tid. GDPR-isolert per kunde.
per kundeper entitetGDPR-isolertdelt mellom agenterfilbasert syncfleksibel backend
Menneskelig gjennomgang

Kundeansvarlig

Kvalitetsport
Alle eksterne handlinger gjennomgås før sending. Korreksjoner føres tilbake i agentminnet. GDPR-samsvarslag.
kun utkastsamsvartilbakemeldingsløkkeinkassoloven / GDPR
Agentteam
Gjenbrukbare agent-protoformer. Bygg én gang, rull ut på tvers av kunder. Hver har en rolle, personlighet og minne.
🔎
IPA Extractor
Dokumentbehandling
Leser innkommende dokumenter. PDF-er, e-poster, skannede bilder. Trekker ut strukturerte data, validerer mot skjema, ruter til saksbehandling. Håndterer e-poster med flere vedlegg og rotete skanninger.
Live i staging (Solveig)
👁
Watchdog
Kvalitetssikring
Leser råkildetekst sammen med strukturert output. Fanger det uttrekkeren bommet på. «PDF-en sier kr 45.230,50, men du skrev 45230.» Selvkorrigerer når den er sikker, flagger når den ikke er det.
Scoped (Solveig)
✍
Kommunikasjonsforfatter
Utgående kommunikasjon
Skriver personlige meldinger basert på saksdata + minne. Husker: «Forrige gang myket Gabriela opp tonen for denne skyldneren.» Tilpasser seg kreditorkrav. Menneske gjennomgår alle utkast.
Scoped (Solveig)
📈
Saksovervåker
Pipeline-oversikt
Daglig skanning av aktive saker. Flagger inaktive elementer, overskredet frister, statusendringer. Vet hvilke saker som trenger oppmerksomhet før mennesker oppdager det.
Planlagt (Tier 1)
📊
Annonserevisor
Markedsføringsanalyse
Reviderer Meta/Google-annonseytelse. Identifiserer underpresterende kampanjer, budsjettsvinn, målgruppedrift. Ukentlige rapporter med spesifikke anbefalinger.
Aktiv i Paperclip
🎨
Kreativ foreslagsstiller
Tekstforfatning
Foreslår tekst- og kreative forbedringer basert på ytelsesdata. Tester variasjoner. Sporer hva som treffer. Lærer av vinner-/tapermønstre.
Aktiv i Paperclip
⚡
Annonseeksekutør
Mediekjøp
Utfører godkjente endringer via Meta/Google Ads API. Justerer budsjetter, pauser underpresterende, lanserer godkjente kreativer. Full revisjonslogg.
Aktiv i Paperclip
📜
Rapporteringsagent
Kundeintelligens
Ukentlige oppsummeringer: saker behandlet, feil fanget, kommunikasjon utformet, annonseytelse. Kundevendt output-lag. Levert via e-post eller dashboard.
Planlagt
Avanserte egenskaper
Utover grunnleggende automatisering. Disse egenskapene finnes ikke noe annet sted.
🧠
Selvforbedrende hyperagent
Meta-intelligens
En meta-agent som overvåker alle andre agenter. Oppdager mønstre på tvers av flåten: «Uttrekkeren bommer på ledende nuller 15% av tiden på tvers av alle tre kundene.» Foreslår fiks. Menneske godkjenner. Fiksen gjelder for alle agenter samtidig. Systemet feilretter seg selv.
Arkitektur klar
🔗
Kryssplattform-minne
Distribuert identitet
To agenter samarbeider på Slack. Den ene argumenterer for at den andres implementasjon er «rotete». Senere spør du på Telegram: «Hva jobbet dere med?» Den husker alt. Websocket-brokeren. Kritikken. Omskrivingen. Alt fra en annen plattform. Ingen database. Bare identitet.
Hermes (evalueres)
🌊
Agent-sverm
Parallell intelligens
Spawn 10-20 agenter samtidig. Hver researsjer et annet selskap: teamstørrelse, tech stack, smertepunkter, prising. Resultatene slås sammen til en rangert leadliste på minutter. Det som tar et menneske 2 uker, tar svermen 8 timer.
Infrastruktur klar
🔮
Multimodal kjede
Full-stack agent
Én orkestrator kjeder på tvers av modaliteter: leser et PDF-krav, undersøker konkurrenter via nettleser, designer systemarkitektur, skriver kode, tester mot live nettleser, genererer dokumentasjon. Komplett prototypeleveranse på 4-6 timer.
Oppnåelig nå
🗣
Stemme-først-agent
Mobil intelligens
Du kjører bil. Du sier «Status på Solveig.» Systemet spør kundefiler, nylige e-poster, Paperclip-artefakter, pipeline-status. Syntetiserer et 60-sekunders sammendrag. Leser det opp. Full kontekst uten å låse opp telefonen.
Delvis (Telegram-stemme live)
🛡
Motstandstester
Sikkerhet + QA
Gitt en kodeendring følger ikke denne agenten testplanen din. Den lager sin egen. Tomme input. Raske innsendinger. Feilformaterte data. Unicode-kantsaker. Kjører 50+ tester mot en live nettleser. Finner feil mennesker ikke ser.
Live (expect-cli)
🛠
Agentfabrikk
Meta-orkestrering
Si til systemet: «Vi må overvåke Shopify-ordrekvalitet daglig.» Det genererer agentspesifikasjonen, oppretter skill-filen, spinner den opp i Paperclip med en heartbeat-tidsplan. Tid fra «vi trenger X» til «X er live og logger»: timer, ikke dager.
Mulig med nåværende stack
💰
Flåtelæring
Krysskundeintelligens
Kjører agenter for 5 kunder. Uttrekkeren for Kunde A lærer å håndtere et vanskelig PDF-format. Den kunnskapen sprer seg til Kunde B, C, D, E automatisk. Hver kunde gjør alle andre kunders agenter smartere. Nettverkseffekter på agentnivå.
Planlagt
Bruksområder etter bransje
Konkrete scenarioer. Ekte bransjer. Spesifikke problemer løst av agentteam.

🏦 Inkasso / Finans

Problemet: Én driftsperson håndterer hundrevis av saker. Hver e-post har PDF-vedlegg med skyldnerinformasjon. Dataregistrering tar timer. Skyldnerkommunikasjon er repetitiv, men krever personlig tilpasning. Kreditorrapportering er manuell og forsinket.

Agentteamet:

📧

E-postinntak

Kreditor-e-poster ankommer med saks-PDF-er. Agent trekker ut alle strukturerte data automatisk.
👁

Kvalitetssjekk

Watchdog leser råtekst og fanger uttrekksfeil før data går inn i systemet.
✍

Skyldnerkomm.

Skriver personlige betalingspåminnelser. Husker hver skyldners historikk, tone og betalingsadferd.
📜

Kreditorrapporter

Ukentlige autogenererte statusrapporter per kreditor. Sakstall, innfordringsrater, aldringsanalyse.
Resultat: Driftspersonen går fra 80% dataregistrering til 80% relasjonsbygging. 300+ saker behandlet per måned. Agentminne betyr at skyldner #247 får like nyansert oppfølging som skyldner #1. Samsvar: all kommunikasjon gjennomgått før sending (inkassoloven). Testgrunn: Solveig (live).

🛡 Forsikring – skadebehandling

Problemet: Tusenvis av krav kommer inn månedlig. Hvert har bilder, PDF-er, medisinske rapporter. Vurdering krever sjekk av dekning, tidligere skadehistorikk, svindelindikatorer. Responstid påvirker kundetilfredshet og regulatorisk samsvar.

Agentteamet:

📄

Kravinntak

Dokumenter ankommer via e-post, portal eller API. Agent trekker ut kravsdetaljer, kategoriserer etter type og alvorlighetsgrad.
🔍

Polisematcher

Kryssrefererer krav mot polisevilkår. Flagger dekningshull, unntak og egenandelsgrenser automatisk.
🚨

Svindeldetektor

Sjekker kravsmmønstre mot historiske data. Flagger avvik: gjentatte adresser, tidsmmønstre, beløpsklynger. Husker tidligere flaggede krav per forsikringstaker.
✍

Svarbrevforfatter

Skriver godkjennings-, avslags- eller oppfølgingsbrev med spesifikke polisereferanser. Tilpasser tone basert på skadehistorikk og kundeforhold.
Resultat: Behandlingstid går fra 5-7 dager til samme dag for standardkrav. Svindeldeteksjon fanger mønstre mennesker ikke ser. Hver avgjørelse dokumentert med polisereferanser for revisjon. Systemet husker hele skadehistorikken til hver forsikringstaker over år.

🏠 Eiendomsforvaltning

Problemet: Forvaltning av 200+ utleieeiendommer betyr konstant leietakerkommunikasjon, vedlikeholdsforespørsler, leiefornyelser, eierrapportering og ledighetsforvaltning. Hver eiendom har ulike eiere med ulike forventninger.

Agentteamet:

💬

Leietakerkomm.

Håndterer innkommende leietakerforespørsler. Kategoriserer: vedlikehold, fakturering, leispørsmål. Skriver svar basert på eiendomsspesifikke regler og leietakerhistorikk.
🔧

Vedlikeholdsruter

Vedlikeholdsforespørsler autokategorisert etter hastegrad og type. Rutes til riktig entreprenør. Sporer løsningstid. Følger opp om uløst etter 48 timer.
📈

Eierrapportering

Månedlige rapporter per eiendomseier. Belegg, inntekter, utgifter, vedlikeholdshistorikk. Hver eier får rapporter i foretrukket format og frekvens.
💡

Ledighetsoptimerer

Overvåker markedspriser. Flagger eiendommer priset over/under markedet. Foreslår annonseoptimaliseringer basert på sammenlignbare eiendommer. Sporer lead-til-signering-konvertering.
Resultat: Eiendomsforvalter håndterer 400 enheter i stedet for 200 med samme team. Eiertilfredshet opp fordi rapporter er konsistente og til rett tid. Vedlikeholds-responstid ned 60%. Systemet husker alle leietakerinteraksjoner, alle entreprenørers pålitelighetsrating, alle eieres preferanser.

🌟 Markedsføringsbyråer

Problemet: Forvalter 15-30 kunders annonsekontoer manuelt. Hver kunde har ulike KPI-er, målgrupper, budsjetter. Ukentlig rapportering tar 2 dager. Kampanjeoptimalisering er reaktiv, ikke proaktiv. Kreativ utmattelse går ubemerket til ytelsen stuper.

Agentteamet:

📊

Portefjeljrevisor

Skanner alle kundekontoer samtidig. Flagger budsjettfremdrift, målgruppeoverlapp, kreativ utmattelse. Per-kunde ytelse vs KPI-mål.
🎨

Kreativ motor

Genererer annonsetekstvarianter per kundes merkevarestemme. A/B-testforslag basert på historiske vinnere. Krysspollinerer innsikt: «Denne hooken fungerte for Kunde A, prøv den for Kunde B.»
⚡

Kampanjeeksekutør

Implementerer godkjente endringer på tvers av Meta + Google. Budsjettomfordeling, målgruppejusteringer, kreativbytter. Full revisjonslogg per kunde.
📜

Kunderapportør

Autogenererer merkede ukentlige/månedlige rapporter per kunde. Narrativt format: hva skjedde, hvorfor, hva er neste. Ikke bare grafer, men innsikt.
Resultat: Byrået skalerer fra 15 til 50 kunder uten nyansettelser. Rapportering går fra 2 dager til 2 timer. Krysskundelæring betyr at innsikt fra én bransje forbedrer kampanjer i en annen. Agentene husker hver kundes merkevarestemme, historisk ytelse og foretrukne KPI-er. Testgrunn: Forerkortsentralen (bygges).

🚀 SaaS / Startups

Problemet: Lite team, for mye å gjøre. Kundestøtte spiser utviklertid. Funksjonsønsker hoper seg opp uten prioritering. Konkurrenter leverer raskere. Ingen dedikert drift, QA eller datateam.

Agentteamet:

💬

Støttetriage

Innkommende tickets autokategorisert. Vanlige spørsmål besvart fra kunnskapsbase. Kantsaker eskalert med full kontekst. Lærer av hver løsning.
📊

Produktintelligens

Aggregerer støttetickets, funksjonsønsker, churnsignaler. «Funksjon X ble etterspurt 47 ganger denne måneden. Brukere som ba om den har 3x høyere churnrisiko.» Datadrevet prioritering.
🛡

QA-agent

Hver deploy utløser motstandstesting. Genererer testplaner fra kode-differ. Kjører mot staging. Fanger regresjoner før brukerne gjør det.
📈

Konkurrentovervåker

Sporer konkurrenters prissider, endringslogger, sosiale omtaler. Ukentlig digest: «Konkurrent Y lanserte funksjon Z. 23 tweets om den. Her er hva brukerne sier de liker.»
Resultat: En startup med 5 personer opererer med intelligensen til et team på 20. Støtteresponstid under 1 time. Null regresjoner som når produksjon. Produktbeslutninger støttet av aggregert brukerdata, ikke magefølelse. Agentene akkumulerer kunnskap om brukere, konkurrenter og produktmønstre.

⚙ Produksjon / Industri

Problemet: Produksjonslinjer genererer tusenvis av datapunkter per time. Kvalitetsavvik fanges sent. Leverandørkommunikasjon er manuell. Vedlikehold er reaktivt, ikke prediktivt. Skiftoverleveringer mister kritisk kontekst.

Agentteamet:

📈

Produksjonsovervåker

Overvåker sensordata og produksjonsmetrikker i sanntid. Flagger avvik fra toleranse før de blir defekter. Lærer sesong- og batchspesifikke mønstre.
🔧

Prediktivt vedlikehold

Sporer utstyrskjøretid, vibrasjonsmmønstre, temperaturdrift. Forutsier feil 2-3 uker før de oppstår. Planlegger vedlikehold under planlagt nedetid, ikke nødstilfeller.
📦

Leverandørkoordinator

Overvåker lagernivåer mot produksjonsplan. Autoskriver innkjøpsordrer når terskler nås. Husker hver leverandørs ledetider, pålitelighet, prisingsmønstre.
📝

Skiftintelligens

Genererer skiftoverleveringsrapporter automatisk. Hva skjedde, hva venter, hva trenger oppmerksomhet. Ingen kontekst tapt mellom team. Institusjonelt minne på tvers av alle skift.
Resultat: Uplanlagt nedetid synker 40%. Kvalitetsdefekter fanget ved kilden, ikke ved QA. Leverandørrelasjoner forvaltet proaktivt. Hvert skift starter med full kontekst om hva som skjedde før. Systemet husker hvert utstyrsmmønster, hver leverandørinteraksjon, hvert produksjonsavvik.

💧 Olje & Gass / Energi

Problemet: Massiv samsvarsdokumentasjon. HMS-rapportering (Helse, Miljø, Sikkerhet) på tvers av titalls anlegg. Sporing av utstyrssertifiseringer. Hendelsesrapporter spredt over systemer. Regulatoriske revisjoner krever uker med forberedelser.

Agentteamet:

📄

Samsvarsovervåker

Sporer regulatoriske krav på tvers av jurisdiksjoner. Flagger utløpende sertifiseringer, manglende dokumentasjon, kommende frister. Kobler krav til spesifikke eiendeler og anlegg.
🚨

HMS-analytiker

Behandler hendelsesrapporter, nesten-ulykker, sikkerhetsobservasjoner. Identifiserer mønstre på tvers av anlegg: «Anlegg B har 3x håndskaderaten til Anlegg A. Felles faktor: samme utstyrsleverandør.» Proaktiv risikodeteksjon.
🔍

Revisjonsforberedelse

Når revisjon annonseres, henter agenten all relevant dokumentasjon, organiserer etter krav, flagger hull og skriver svarkonsepter. Uker med forberedelser komprimert til dager.
📜

Driftsrapportør

Daglige/ukentlige produksjons- og sikkerhetsrapporter per anlegg. Aggregerer på tvers av porteføljen. Styreklare oppsummeringer med trendanalyse og avviksflagg.
Resultat: Revisjonsforberedelse fra 3 uker til 3 dager. Sikkerhetsavvik fanget som mønstre, ikke enkelthendelser. Null utløpte sertifiseringer. Alle regulatoriske endringer sporet automatisk. Systemet holder institusjonell kunnskap på tvers av alle anlegg, alt utstyr, alle hendelser, for alltid.

🏛 Offentlig sektor

Problemet: Innbyggere venter uker på svar. Søknader hoper seg opp. Samme spørsmål besvares tusenvis av ganger. Saksbehandlere jonglerer hundrevis av filer. Tverravdelingssamarbeid er tregt. Åpenhetsrapportering er manuell og forsinket.

Agentteamet:

💬

Innbyggerinntak

Søknader og henvendelser autokategorisert etter type, hastegrad og avdeling. Vanlige spørsmål besvart umiddelbart fra regelverksdatabase. Komplekse saker rutet med full kontekst.
📄

Søknadsbehandler

Leser søknadsskjemaer, trekker ut data, sjekker mot kvalifikasjonskriterier. Flagger ufullstendige søknader med spesifikke manglende punkter. Forhåndsvurderer før saksbehandlergjennomgang.
📋

Tverravdelingsruter

Saker som krever flere avdelinger følges på tvers av grenser. Agenten følger saken, ikke avdelingen. Flagger når en sak står fast i en annen avdelings kø.
📊

Åpenhetsrapportør

Autogenererer offentlige rapporter: behandlingstider, søknadsvolum, utfall per kategori. Sanntids dashboard for ledelsen. Ingen manuell datakompilering.
Resultat: Innbyggerresponstid fra uker til dager. Saksbehandlere håndterer 3x volum fordi forbehandling er gjort. Tverravdelingssaker faller ikke mellom stolene. Offentlig åpenhet uten manuell rapporteringsinnsats. Alle interaksjoner dokumentert, reviderbare og GDPR-kompatible.

🚢 Logistikk / Frakt

Problemet: Forsendelser over 50+ ruter. Tolldokumentasjon varierer per land. Forsinkelser forplanter seg gjennom kjeden. Kundeoppdateringer er reaktive. Prisforhandlinger skjer uten historisk grunnlag. Transportørers ytelse spores ikke systematisk.

Agentteamet:

📄

Dokumentmotor

Autogenererer tolldeklarasjoner, konnossementer, opprinnelsessertifikater per destinasjon. Kjenner hvert lands krav. Oppdateres når regelverk endres.
📡

Forsendelsesporing

Overvåker alle aktive forsendelser. Forutsier forsinkelser fra vær, havnetetthet, transportørmønstre. Varsler kunder proaktivt før de spør. «Forsendelsen din vil ankomme 2 dager sent. Her er grunnen.»
💰

Prisoptimerer

Sporer historiske rater per transportør, rute og sesong. «Transportør X er 15% billigere på nordiske ruter i Q1.» Væpner forhandlinger med data. Husker hvert tilbud og utfall.
📈

Ytelsesscorer

Vurderer transportører på: rettidighetsprosent, skadekrav, dokumentasjonsnoyaktighet, responsevne. Kvartalsrapporter. «Transportør Ys rettidighet falt fra 94% til 81% dette kvartalet.»
Resultat: Tolldokumentasjonsfeil synker til nær null. Kunder får proaktive forsinkelsesvarsler. Prisforhandlinger støttet av 12 måneders sammenligningsdata. Transportøransvar gjennom transparent scoring. Systemet husker hver forsendelse, hver forsinkelsesgrunn, hver transportørinteraksjon på tvers av alle ruter.

🏥 Helse / Klinikker

Problemet: Pasientinntaksskjemaer er overflødige. Henvisningsbrev tar dager. Labresultater ankommer men ingen følger opp. Timebooking sluker administrativ tid. Klinisk dokumentasjon spiser av pasientrettet tid. Faktureringskoder er feil 10-15% av tiden.

Agentteamet:

📋

Pasientinntak

Forbehandler registreringsskjemaer. Kryssrefererer mot eksisterende journaler. Flagger allergier, medisiner, tidligere tilstander. Pasienten ankommer, legen har allerede fullstendig bilde.
🔬

Labresultatsporing

Overvåker innkommende labresultater. Flagger kritiske verdier umiddelbart. Matcher resultater mot åpne rekvisisjoner. Varsler kliniker hvis resultater er forfalt eller unormale. Ingen resultater faller mellom stolene.
✍

Henvisningsforfatter

Genererer henvisningsbrev med komplett pasienthistorikk, relevante testresultater og klinisk begrunnelse. Tilpasser format til mottakende institusjons krav. Minutter i stedet for dager.
💰

Faktureringsrevisor

Kryssrefererer klinisk dokumentasjon med faktureringskoder. Fanger avvik før innsending. «Prosedyre X ble dokumentert, men fakturert som Y. Differanse: $340.» Husker betalerspesifikke koderegler.
Resultat: Klinikere får 2+ timer ekstra pasienttid per dag. Null glemte laboppfølginger. Henvisningstid fra dager til minutter. Faktureringsnoyaktighet går fra 85% til 98%. Systemet husker alle betaleres regler, alle henvisende legers preferanser, hver pasients longitudinelle historikk. Kun utkastmodus: alle kliniske beslutninger gjennomgås av autorisert helsepersonell.
Agent-flyter
Ekte arbeidsflyter. Se data bevege seg gjennom agent-pipelines.
Trigger
📧

E-post ankommer

n8n trigger
Kreditor sender dokumenter via e-post med PDF-vedlegg. Gmail-etikett trigger pipeline.
→ PDF-er videresendt
Uttrekk
🔎

IPA behandler

IPA Extractor
Leser PDF. Trekker ut: skyldner, beløp, kreditor, saks-ID, datoer. Håndterer rotete skanninger og flersidede dokumenter.
→ Strukturerte saksdata
Verifiser
👁

Watchdog QA

Watchdog
Sammenligner rå PDF-tekst mot strukturert output. Fanger feil beløp, manglende medskyldnere, avkuttede data. Selvkorrigerer eller flagger.
→ Verifisert + korreksjoner
Rut
📋

Opprett sak

n8n webhook
Poster verifiserte data til Monday.com via API. Oppretter underelementer med alle felter. Lenker tilbake til kilde-e-post.
→ Sak opprettet
Utkast
✍

Skyldnerbrev

Komm.-forfatter
Personalisert kommunikasjon basert på saksdata + skyldnerminne. Husker tidligere interaksjoner, tone, eskaleringsnivå.
→ Utkast klart
Gjennomgang
✅

Menneske godkjenner

Driftsperson
Gjennomgår utkast, godkjenner eller korrigerer. Korreksjoner føres tilbake i minnet. Neste gang får agenten det riktig.
→ Sendt + minne oppdatert

Hva gjør dette annerledes

Tradisjonell automatisering: trekk ut data, push til system, ferdig. Denne pipelinen har en Watchdog som leser selve dokumentet og fanger det uttrekkeren bommet på. En forfatter som husker hvordan hver skyldner ble håndtert før. Og en tilbakemeldingsløkke der menneskelige korreksjoner gjør agentene smartere.

Etter 3 måneder kjenner systemet kundens drift bedre enn en nyansatt ville gjort. Det er ikke automatisering. Det er et AI-driftsteam.
Tidsplan
⏰

Ukentlig revisjon

Paperclip heartbeat
Paperclip vekker annonserevisor på tidsplan. Henter siste 7 dagers kampanjedata fra Meta Ads API.
→ Data hentet
Analyser
📊

Ytelsesrevisjon

Annonserevisor
Identifiserer underpresterende, budsjettsvinn, målgruppeutmattelse. Sammenligner mot historiske referanseverdier.
→ Revisjon + anbefalinger
Lag
🎨

Foreslå kreativer

Kreativ foreslagsstiller
Skriver nye annonsetekster basert på revisjonsfunn. Ulike hooks, CTA-er, målgrupper. Lærer av tidligere mønstre.
→ Forslag klare
Gjennomgang
✅

Menneske godkjenner

Thor / kunde
Gjennomgår forslag, godkjenner eller justerer. Avvisninger lærer agenten hva som ikke fungerer for denne kunden.
→ Godkjente endringer
Utfør
⚡

Push til plattformer

Annonseeksekutør
Implementerer godkjente endringer via API. Justerer budsjetter, pauser tapere, lanserer kreativer. Full revisjonslogg i Paperclip.
→ Live + logget

Agentkjedefordelen

Tre spesialiserte agenter, hver med en klar rolle. Revisoren vet hva som ikke fungerer. Foreslagsstilleren vet hva som kan fungere. Eksekutøren får det til å skje. Hver lærer av de andre.

Erstatter: logg inn i annonseadministrator, eksporter CSV, analyser i regneark, skriv anbefalinger, vent på godkjenning, implementer manuelt. Agenter gjør det på timer, ikke dager.
Oppsett
💬

Ny kunde

Manuelt
Kunde signerer. Paperclip oppretter isolert selskapsnavnerom. Agentteam instansiert med kundekonfigurasjon.
→ Navnerom klart
Konfigurer
⚙

Kartlegg arbeidsflyter

Thor (CTO)
Kartlegg manuelle prosesser til agent-protoformer. Koble til datakilder. Sett triggerregler. Velg agentteamsammensetning.
→ Agenter konfigurert
Utrulling
🚀

Agenter går live

Paperclip
Agentteam begynner å behandle. Kun utkastmodus først. Kunde gjennomgår output, gir korreksjoner. Læringsfase: 2-4 uker.
→ Læringsfase
Akkumuler
💡

Agenter blir smartere

Hermes + Supermemory
Hver korreksjon trener agentene. Måned 6 er dramatisk bedre enn måned 1. Minne er vollgraven.
→ Akkumulerende verdi

Legge til en ny kunde

Protoformbiblioteket betyr at du ikke bygger fra bunnen av. En IPA Extractor bygget for inkasso tilpasses forsikringskrav med konfigurasjon, ikke kode. Agentteamet rulles ut, det bygges ikke.

Inkrementell kostnad per ny kunde: ~$150/måned. Enhetsokonomi som et programvareselskap, ikke et konsulentfirma.
AI Driftsteam
Ikke automatisering. Ikke AI-verktøy. Et administrert team av AI-agenter som driver backoffice-en din.
⚠  Tidligfase-priser, indikative. Vil bli validert gjennom første kundeutrullinger.

Starter

$2-3k/md
Oppsett: $5-8k
  • ✓1-2 agenter (uttrekk + overvåking)
  • ✓Dokumentbehandlings-pipeline
  • ✓Ukentlig ytelsesrapport
  • ✓Menneskelig gjennomgangsløkke
  • ✓Dedikert minnenavnerom

Professional

$3-5k/md
Oppsett: $10-15k
  • ✓3-4 agenter (+ kommunikasjon + rapportering)
  • ✓Alt i Starter
  • ✓Kommunikasjonsutkast med minne
  • ✓Kryssagent-samarbeid
  • ✓Kunde-dashboard

Enterprise

Tilpasset
Spesialtilpasset per engasjement
  • ✓5+ agenter, tilpassede arbeidsflyter
  • ✓Fler-avdelingsdekning
  • ✓Tilpassede integrasjoner + API-er
  • ✓Dedikert infrastruktur
  • ✓CTO-rådgivning inkludert

Hva kunden får

  • Resultater, ikke infrastruktur. De rører aldri teknologien.
  • Agenter som lærer. Hver korreksjon gjør systemet smartere.
  • Akkumulerende verdi. Måned 6 er dramatisk bedre enn måned 1.
  • Ukentlig innsyn. Rapporter om hva agentene behandlet og fanget.
  • Menneskelig gjennomgang. Ingenting eksternt går ut uten godkjenning.
  • GDPR-kompatibelt. Isolerte navnerom. Kun utkastmodus.

Hvorfor dette fungerer

  • Prisanker: ikke «AI-verktøy» men «erstatter en deltidsansatt»
  • Norske SMÅ-bedrifter betaler allerede $3-8k/md for bedriftstjenester
  • Ingen sykedager. Ingen opplæring. Ingen turnover.
  • Byttekostnad = akkumulert minne. Det er vollgraven.
  • Gjenbrukbare protoformer. Hver utrulling gjør den neste raskere.
  • Nær null marginalkostnad for å legge til en ny kunde.
Agentene kjører. Infrastrukturen er live.
Bygget av Optale. Drevet av AI. Styrt av mennesker.