# Virksomhedsdata klar til AI-agenter

Giv et AI-workflow en pålidelig vej til de virksomhedsdata, det har brug for. Vi kortlægger relevante kilder, afklarer felternes betydning, forbinder data og aftaler adgangsregler med jer. Første leverance er et aftalt spørgsmål besvaret ud fra sporbare data, med kontrol af datakvalitet og rettigheder.

## Samlet: ét sted, en agent kan nå

Vi bygger de pipelines, der samler data fra dine systemer i én database: ETL-job, der kører efter en fast plan, kun henter det, der er ændret, og fortæller, hvad de sprang over. Databasens skema bruger din forretnings egne ord — kunder, ordrer, skibe, kontrakter, sager. Gamle PDF'er, scannede dokumenter og mailarkiver bliver til søgbar tekst med kilden gemt ved siden af, så de kan findes og ikke kun arkiveres. Agenten når det hele gennem én beskrevet indgang: en MCP-server eller et API, aldrig en kopi af databasen på nogens bærbare.

## Renset: én kunde, ikke fem

Den samme kunde kan stå på fem forskellige måder i fem systemer. Når en agent læser modstridende udgaver af samme oplysning, har den brug for en regel for, hvilken kilde den skal stole på. Vi afgør sammen med dig, hvilket system der er det førende for hver oplysning, fletter dubletter efter regler, du kan læse, og lader fletningen køre fast, så en ny dublet fanges ved næste indlæsning og ikke først ved næste revision. Datatyper og integritetsregler i selve databasen afviser en fejlbehæftet række i stedet for at gemme den, hver kolonne siger, hvad den betyder, og hver migrering er versioneret og tjekket, så det skema, en agent læser, er det skema, der er i drift.

## Adgangsstyret: agenten ser kun, hvad brugeren må se

En agent, der kan læse alt, er et datalæk med en venlig stemme. Reglerne hører hjemme i dataene, ikke i prompten: roller i databasen (RBAC), kun læseadgang som udgangspunkt, sikkerhed på rækkeniveau overalt, hvor én kunde aldrig må se en andens data, og persondata holdt uden for rækkevidde, medmindre opgaven har brug for dem, sådan som GDPR's princip om dataminimering også foreskriver. Agenten arbejder med brugerens privilegier, aldrig en administrators, og hver læsning logges med den person, den er foretaget på vegne af. Hvordan vi sikrer selve agenterne, kan du læse på siden om AI-sikkerhed.

## Hvert svar sporet tilbage til kilden

Et svar fra virksomhedens data er kun så godt som sin kilde, så kilden følger med. Hver række gemmer, hvor den kom fra og hvornår: systemet, indlæsningen, filen og sidetallet. En agent kan henvise til posten bag et tal, og et menneske kan åbne den. En indlæsning, der sprang rækker over, oplyser hvor mange og hvorfor i stedet for at melde succes, og et tal, der viser sig at være forkert, fører direkte tilbage til den indlæsning, der bragte det ind — ikke til en uges gætteri. Det er den regel, vores egen rapportering bygger på: et tal, som kørslen ikke har målt, bliver aldrig skrevet ud.

## Arbejdet, der ligger bag

Hver påstand på denne side er en metode, vi har brugt i praksis, og hver enkelt er dokumenteret. Vi gjorde en geodatapipeline 50 gange hurtigere ved at rette dens SQL og datamodel og designede og drev seks ETL- og ELT-pipelines på tværs af BigQuery, MS SQL og PostgreSQL. Vi modellerede en hel branche i 348 tabeller fordelt på 34 skemaer og holdt skemaet retvisende gennem 1.022 migreringer med kontrol af skemaafvigelser. Vi genererede 495 sider fra et skrivebeskyttet SQLite-udtræk og erstattede 963 metadatablokke med én sammenkædet graf, som er det første, en agent læser på dette site.

## Sådan forløber et samarbejde

Det begynder med et kort, som vi laver med ren læseadgang: hvilke systemer der indeholder hvad, hvem der ejer dem, og hvilke spørgsmål en agent skal kunne svare på. Derefter tager vi det spørgsmål, der betyder mest, og bygger hele vejen fra ende til anden — kilderne, rensningen, rettighederne og indgangen — med tjek, der standser en indlæsning, når dataene afviger. Så det næste. Alt ligger i din egen infrastruktur og dit eget repository, hver ændring går gennem dit review, og de agenter, der læser dataene, kan være skræddersyede til din branche eller dem, du allerede bruger. Det købes som resten af vores arbejde, på vilkårene i hvad det koster.

Ligger de svar, dine folk har brug for, spredt over flere steder, end nogen kan holde styr på, så fortæl os, hvor dine data ligger (læses af ingeniøren).

=> /da/glossary/#pipeline pipelines
=> /da/glossary/#database database
=> /da/glossary/#etl ETL
=> /da/glossary/#schema skema
=> /da/glossary/#api API
=> /da/glossary/#migration migrering
=> /da/glossary/#rbac RBAC
=> /da/glossary/#logging logges
=> /da/ai-security/ siden om AI-sikkerhed
=> https://engineer.company/da/portfolio/made-a-geographical-data-pipeline-50x-faster/ gjorde en geodatapipeline 50 gange hurtigere
=> https://engineer.company/da/portfolio/designed-and-ran-6-etl-elt-pipelines/ designede og drev seks ETL- og ELT-pipelines
=> /da/glossary/#postgresql PostgreSQL
=> https://engineer.company/da/portfolio/modeled-348-tables-across-34-postgres-schemas/ modellerede en hel branche i 348 tabeller fordelt på 34 skemaer
=> https://engineer.company/da/portfolio/1022-migrations-behind-a-schema-drift-gate/ gennem 1.022 migreringer med kontrol af skemaafvigelser
=> https://engineer.company/da/portfolio/generated-495-pages-from-a-sqlite-export/ genererede 495 sider fra et skrivebeskyttet SQLite-udtræk
=> https://engineer.company/da/portfolio/replaced-963-metadata-blocks-with-one-graph/ erstattede 963 metadatablokke med én sammenkædet graf
=> /da/ai-agents/ skræddersyede til din branche
=> /da/what-it-costs/ hvad det koster
=> /da/contact/ fortæl os, hvor dine data ligger

=> https://support.engineer.company/da/ai-data/ Denne side på nettet
