{"canonical_url":"https://engineer.company/da/ai-data/","content_markdown":"# Virksomhedsdata klar til AI-agenter\n\nGiv et AI-workflow en pålidelig vej til de virksomhedsdata, det har brug for.\nVi kortlægger relevante kilder, afklarer felternes betydning, forbinder data og\naftaler adgangsregler med jer. Første leverance er et aftalt spørgsmål besvaret\nud fra sporbare data, med kontrol af datakvalitet og rettigheder.\n\n## Samlet: ét sted, en agent kan nå\n\nVi bygger de [pipelines](/da/glossary/#pipeline), der samler data fra dine\nsystemer i én [database](/da/glossary/#database):\n[ETL](/da/glossary/#etl)-job, der kører efter en fast plan, kun henter det, der\ner ændret, og fortæller, hvad de sprang over. Databasens\n[skema](/da/glossary/#schema) bruger din forretnings egne ord — kunder, ordrer,\nskibe, kontrakter, sager. Gamle PDF'er, scannede dokumenter og mailarkiver bliver\ntil søgbar tekst med kilden gemt ved siden af, så de kan findes og ikke kun\narkiveres. Agenten når det hele gennem én beskrevet indgang: en MCP-server eller\net [API](/da/glossary/#api), aldrig en kopi af databasen på nogens bærbare.\n\n## Renset: én kunde, ikke fem\n\nDen samme kunde kan stå på fem forskellige måder i fem systemer. Når en agent\nlæser modstridende udgaver af samme oplysning, har den brug for en regel for,\nhvilken kilde den skal stole på. Vi\nafgør sammen med dig, hvilket system der er det førende for hver oplysning,\nfletter dubletter efter regler, du kan læse, og lader fletningen køre fast, så en\nny dublet fanges ved næste indlæsning og ikke først ved næste revision. Datatyper\nog integritetsregler i selve databasen afviser en fejlbehæftet række i stedet\nfor at gemme den, hver kolonne siger, hvad den betyder, og hver\n[migrering](/da/glossary/#migration) er versioneret og tjekket, så det skema, en\nagent læser, er det skema, der er i drift.\n\n## Adgangsstyret: agenten ser kun, hvad brugeren må se\n\nEn agent, der kan læse alt, er et datalæk med en venlig stemme. Reglerne hører\nhjemme i dataene, ikke i prompten: roller i databasen\n([RBAC](/da/glossary/#rbac)), kun læseadgang som udgangspunkt, sikkerhed på\nrækkeniveau overalt, hvor én kunde aldrig må se en andens data, og persondata\nholdt uden for rækkevidde, medmindre opgaven har brug for dem, sådan som GDPR's\nprincip om dataminimering også foreskriver. Agenten arbejder med brugerens\nprivilegier, aldrig en administrators, og hver læsning\n[logges](/da/glossary/#logging) med den person, den er foretaget på vegne af. Hvordan\nvi sikrer selve agenterne, kan du læse på\n[siden om AI-sikkerhed](/da/ai-security/).\n\n## Hvert svar sporet tilbage til kilden\n\nEt svar fra virksomhedens data er kun så godt som sin kilde, så kilden følger\nmed. Hver række gemmer, hvor den kom fra og hvornår: systemet, indlæsningen,\nfilen og sidetallet. En agent kan henvise til posten bag et tal, og et menneske\nkan åbne den. En indlæsning, der sprang rækker over, oplyser hvor mange og\nhvorfor i stedet for at melde succes, og et tal, der viser sig at være forkert,\nfører direkte tilbage til den indlæsning, der bragte det ind — ikke til en uges\ngætteri. Det er den regel, vores egen rapportering bygger på: et tal, som\nkørslen ikke har målt, bliver aldrig skrevet ud.\n\n## Arbejdet, der ligger bag\n\nHver påstand på denne side er en metode, vi har brugt i praksis, og hver enkelt\ner dokumenteret. Vi\n[gjorde en geodatapipeline 50 gange hurtigere](https://engineer.company/da/portfolio/made-a-geographical-data-pipeline-50x-faster/)\nved at rette dens SQL og datamodel og\n[designede og drev seks ETL- og ELT-pipelines](https://engineer.company/da/portfolio/designed-and-ran-6-etl-elt-pipelines/)\npå tværs af BigQuery, MS SQL og [PostgreSQL](/da/glossary/#postgresql). Vi\n[modellerede en hel branche i 348 tabeller fordelt på 34 skemaer](https://engineer.company/da/portfolio/modeled-348-tables-across-34-postgres-schemas/)\nog holdt skemaet retvisende\n[gennem 1.022 migreringer med kontrol af skemaafvigelser](https://engineer.company/da/portfolio/1022-migrations-behind-a-schema-drift-gate/).\nVi [genererede 495 sider fra et skrivebeskyttet SQLite-udtræk](https://engineer.company/da/portfolio/generated-495-pages-from-a-sqlite-export/)\nog [erstattede 963 metadatablokke med én sammenkædet graf](https://engineer.company/da/portfolio/replaced-963-metadata-blocks-with-one-graph/),\nsom er det første, en agent læser på dette site.\n\n## Sådan forløber et samarbejde\n\nDet begynder med et kort, som vi laver med ren læseadgang: hvilke systemer der\nindeholder hvad, hvem der ejer dem, og hvilke spørgsmål en agent skal kunne svare\npå. Derefter tager vi det spørgsmål, der betyder mest, og bygger hele vejen fra\nende til anden — kilderne, rensningen, rettighederne og indgangen — med tjek,\nder standser en indlæsning, når dataene afviger. Så det næste. Alt ligger i din\negen infrastruktur og dit eget repository, hver ændring går gennem dit review, og\nde agenter, der læser dataene, kan være\n[skræddersyede til din branche](/da/ai-agents/) eller dem, du allerede bruger. Det\nkøbes som resten af vores arbejde, på vilkårene i\n[hvad det koster](/da/what-it-costs/).\n\nLigger de svar, dine folk har brug for, spredt over flere steder, end nogen kan\nholde styr på, så\n[fortæl os, hvor dine data ligger](/da/contact/) *(læses af ingeniøren)*.\n\n\u003chttps://engineer.company/da/ai-data/\u003e\n","date_modified":"2026-11-12T05:34:23Z","description":"Forbind virksomhedsdata til et aftalt AI-workflow med tydelige kilder, kvalitetskontrol, rettigheder og et sporbart første resultat.","formats":{"gemtext":"https://support.engineer.company/da/ai-data/index.gmi","gopher":"https://support.engineer.company/da/ai-data/gophermap","html":"https://support.engineer.company/da/ai-data/","json":"https://support.engineer.company/da/ai-data/index.json","markdown":"https://support.engineer.company/da/ai-data/index.md","pdf":"https://support.engineer.company/da/ai-data/index.pdf"},"kind":"page","language":"da","title":"Virksomhedsdata klar til AI-agenter","url":"https://support.engineer.company/da/ai-data/","version":1}