Jeg lot en GPT-4.1 AI-agent styre lunsjbestillingen – og dette kan du lære av det!

Utfordringen ble løst ved å bygge en «lunsjagent» direkte i Microsoft Teams.

Eksperimentet omfattet bare et lite team, men erfaringene rundt mulighetene og fallgruvene gir stor verdi når virksomheter skal utforske AI-agenter i mer forretningskritiske prosesser.

Et lite team, en nysgjerrig utvikler og en proaktiv lunsjagent

Utgangspunktet var enkelt. Vi hadde en jevnlig lunsjavtale med teamet, men selve koordineringen var et repeterende ork. Å sjekke hvem som hadde takket ja, samle inn bestillinger, og passe på allergier, tok unødvendig mye tid hver måned.

Jeg ønsket å utforske om en generativ AI-modell kunne ta over hele denne jobben. Det viktigste for meg var å bygge en proaktiv agent. I stedet for en passiv bot man måtte huske å snakke med, ville jeg ha en assistent som automatisk visste når vi skulle spise, og som selv tok initiativ til å starte en 1:1-samtale med deltakerne for å ta imot bestillingen. Den skulle:

• Proaktivt samle inn teamets bestillinger, preferanser og allergier via chat.
• Tolke menyer og gi persontilpassede anbefalinger basert på tidligere ordrehistorikk.
• Sende en ferdig oppsummert bestilling til arrangøren.

For teamet ble dette et eksperiment, og en leken måte å teste ut autonome, proaktive agenter i en trygg, hverdagslig kontekst.

Les mer om AI-rådgivning og utvikling i Advania.

Teknologien bak: fra språkmodell til praktisk agent

Kjernen i eksperimentet var å la GPT4.1 gjøre mer enn å svare på spørsmål. Modellen fikk lov til å bruke verktøy og ta steg-for-steg-beslutninger, innenfor gitte rammer.

For å få det til å fungere måtte jeg definere:

• Tydelige verktøy, som «hent_meny», «registrer_preferanser» og «send_bestilling», som agenten kunne bruke når den trengte mer data eller skulle utføre en handling.
• Strukturerte preferanser, der teamet krysset av for allergier og preferanser i stedet for å skrive fritekst, slik at modellen kunne gjøre mer presise vurderinger.
• Rammer i prompten, inkludert budsjettgrenser og krav til hvordan agenten skulle håndtere usikkerhet, konflikter mellom ønsker og mangelfull informasjon.

Denne måten å bygge små agenter på ligner sterkt på det mange større virksomheter nå gjør når de automatiserer deler av kundedialog, saksbehandling eller interne støtteprosesser. Selvfølgelig da med flere verktøy, mer data og tydeligere sikkerhetskrav.

Når AI blir litt for «smart» – risiko i miniatyrformat

Selv om Lunsjagent ble bygget for å eliminere en kjedelig kontorrutine ved hjelp av Copilot Studio (GPT-4.1) og Power Automate, ga eksperimentet oss noen uventede lærdommer om hva som skjer når en AI-agent blir litt for kreativ. Under utviklingen oppførte modellen seg nemlig som en overivrig kollega som forsøkte å «optimalisere» lunsjen på måter vi ikke helt hadde sett for oss.

Denne «prankete» siden ved teknologien er morsom når det gjelder burgerbestillinger, men den illustrerer reelle risikoområder som må håndteres før slike agenter skaleres opp i en stor organisasjon.

Kreative omveier og AI-logikk

Gjennom arbeidet med Lunsjagent så vi hvordan GPT-4.1 tolket instrukser så bokstavelig eller effektivt at resultatet ikke alltid samsvarte med teamets forventninger.

Her er tre sentrale observasjoner fra vårt miniatyreksperiment:

• Effektivitet vs. Brukeropplevelse: Uten krystallklare føringer kan modellen prioritere det den oppfatter som «effektivitet» (for eksempel å begrense valgmuligheter) på bekostning av den sosiale opplevelsen.
• Kreative omveier: Vi oppdaget at agenten aktivt kunne lete etter måter å omgå begrensninger den oppfattet som hindringer for å fullføre en oppgave.
• Beslutningsvegring ved vage preferanser: Når brukere ga uklare eller motstridende beskjeder, tok AI-en beslutninger som var logiske ut fra koden, men som ikke nødvendigvis føltes riktige for den ansatte

Sett retningen for din AI-satsing: AI Framework

Arkitekturen bak: en ren Microsoft-stack

For å bygge Lunsjagent valgte vi en rendyrket Microsoft-stack. Dette sikrer sømløs integrasjon og høy sikkerhet i eksisterende bedriftsmiljøer:

• Copilot Studio (GPT-4.1): Selve «hjernen» som håndterer samtalene og forstår brukernes ønsker.
• Power Automate: Motoren som automatiserer arbeidsflyten mellom de ulike systemene.
• Microsoft Teams: Brukergrensesnittet der agenten kommuniserer direkte med kollegaene.
• Dataverse: En strukturert og sikker database for lagring av menyer, preferanser og bestillinger.
• Microsoft Graph API: Brukes for å lese kalenderhendelser og automatisk identifisere hvem som skal delta på lunsjen.

Hva kan store virksomheter ta med seg fra små eksperimenter?

Lunchbot handler om mer enn burgere. Den er et bevis på hvordan AI-agenter kan transformere komplekse prosesser i Microsoft-økosystemet. Her er fire strategiske lærdommer:

• Start i det små, men tenk stort
  Små eksperimenter med Copilot Studio og Dataverse på teamnivå gir rask læring om teknologi, arbeidsflyt og kultur, uten stor risiko.
• Design for human-in-the-loop
  Erfaringen min er at det fungerer best når mennesker godkjenner forslagene til AI-agenten, i stedet for at den får full autonomi. Det samme gjelder i kundeservice, HR eller IT-drift.
• Bygg på gode data og sikre integrasjoner
• Ta governance på alvor fra første dag
  Selv små prosjekter krever kontroll. Bruk av Azure Key Vault og tydelige Guardrails i instruksene er nødvendig for å sikre tilgangsstyring, logging og sikkerhet.

Kvaliteten på integrasjonene avgjør verdien. Ved å bruke Dataverse som "Single Source of Truth", sikrer man at agenten baserer seg på fakta fremfor hallusinasjoner.

Den er en viktig læring jeg mener større virksomheter må ta med seg fra dette prosjektet. AI-agenter bør ikke introduseres som isolerte «gadgets», men som en del av en helhetlig strategi for data, sikkerhet og arbeidsprosesser.

Trenger du hjelp på din AI-reise? Ta kontakt med oss for en uforpliktende prat.