AI-agenterHafsteinn Runarsson · AI Konsulent13 Aug 2026 · 9 min

E-commerce-agent: 9 bruksområder for AI-agenter i netthandel

E-commerce-agent: 9 bruksområder for AI-agenter i netthandel

En e-commerce-agent er et system som kan forstå en oppgave, hente relevant informasjon og utføre handlinger i nettbutikkens verktøy. Den kan for eksempel finne et produkt, kontrollere lagerstatus, endre en ordre eller sende en sak videre til kundeservice.

Det siste punktet skiller en AI-agent fra en vanlig chatbot. En chatbot svarer først og fremst. En agent kan også handle, innenfor grensene virksomheten har satt.

For en nettbutikk er ikke målet å gjøre alt autonomt. Målet er å velge arbeidsflyter der bedre kontekst og færre manuelle steg faktisk hjelper kunden eller teamet. Denne guiden viser hvor AI-agenter kan passe, hvilke data de trenger, og hvor et menneske fortsatt bør godkjenne handlingen.

Hva er en AI-agent for netthandel?

En AI-agent kombinerer vanligvis fire deler:

1. En modell tolker hva kunden eller medarbeideren prøver å oppnå.
2. Agenten henter kontekst fra for eksempel produktkatalog, ordresystem, CRM eller hjelpesenter.
3. Den velger neste steg etter regler og tillatelser.
4. Den bruker et verktøy, som å søke i lageret, opprette en retursak eller klargjøre et svar.

En god agent har et avgrenset mandat. Den vet hvilke handlinger den kan utføre selv, hvilke som krever godkjenning, og når saken skal overtas av et menneske.

AI-agent, chatbot og regelstyrt automatisering

En regelstyrt flyt følger en forhåndsdefinert sti: Hvis A skjer, gjør B. Den er nyttig når input og utfall er forutsigbare.

En chatbot kan føre en samtale og hente informasjon, men har ikke nødvendigvis tilgang til å endre noe i systemene.

En AI-agent kan vurdere flere informasjonskilder og gjennomføre en serie handlinger. Det gjør den mer fleksibel, men også mer risikofylt. Jo større konsekvens en handling kan få, desto strengere bør tillatelser, kontroll og logging være.

1. Produktveiledning og søk

Kunder beskriver ikke alltid produkter med ordene som finnes i katalogen. De kan skrive «en lett jakke til regnfulle byturer» i stedet for å velge riktige filtre.

En produktagent kan tolke behovet, stille et oppfølgingsspørsmål og søke i strukturerte produktdata. Deretter kan den forklare hvorfor noen få alternativer passer. For å være nyttig må den ha oppdatert informasjon om egenskaper, varianter, pris og lagerstatus.

Agenten bør ikke dikte opp forskjeller mellom produkter eller anbefale en utsolgt variant. Hvis katalogdataene er mangelfulle, er opprydding i data ofte viktigere enn en bedre språkmodell.

Mulige målinger er:

• andel søk som ender med produktvisning
• bruk av filtre etter en agentsamtale
• legg-i-handlekurv-rate fra agentens anbefalinger
• hvor ofte agenten ikke finner et sikkert svar

2. Kundeservice med ordrekontekst

Mange henvendelser handler om ordrestatus, levering, retur eller endring av kontaktinformasjon. En agent som bare leser hjelpetekster, kan gi generelle svar. En agent med kontrollert tilgang til ordre- og fraktdata kan gi et svar som gjelder den aktuelle bestillingen.

Det er en viktig forskjell. Kunden trenger ikke en ny forklaring på leveringsprosessen hvis spørsmålet er hvor pakken befinner seg.

Start gjerne med lavrisikooppgaver:

• hente ordre- og sporingsstatus
• forklare gjeldende returprosess
• samle inn nødvendig informasjon før en medarbeider overtar
• foreslå svar som kundeservice godkjenner

Refusjoner, adresseendringer etter utsending og unntak fra vilkår bør ha tydelige beløpsgrenser eller kreve menneskelig godkjenning.

3. Retur, bytte og refusjon

En returprosess går ofte på tvers av nettbutikk, betalingsløsning, lager og transportør. Agenten kan kontrollere om ordren oppfyller reglene, vise tilgjengelige byttealternativer og opprette retursaken.

Det betyr ikke at agenten bør bestemme alle unntak. Skadede varer, gjentatte krav, store beløp eller uklare hendelsesforløp bør sendes til manuell vurdering. Kunden bør også få vite når svaret er foreløpig, og hva som skjer videre.

En trygg innføring kan deles i tre nivåer:

1. Agenten samler informasjon og lager et utkast.
2. En medarbeider godkjenner handlingen.
3. Agenten får utføre utvalgte standardreturer automatisk innenfor faste grenser.

4. Gjenoppretting av handlekurv

En agent kan hjelpe når en kunde stopper fordi størrelsen er uklar, leveringsdatoen er usikker eller et produktspørsmål ikke er besvart. Her er rollen å fjerne konkret friksjon, ikke å presse frem kjøpet.

En handlekurvagent kan bruke innholdet i kurven og produktdata til å svare på spørsmål. Hvis en variant er utsolgt, kan den finne relevante alternativer. Den kan også forklare leveringsvalg dersom informasjonen finnes i systemet.

Rabatter krever streng kontroll. Agenten bør ikke finne på kuponger, gi ulike vilkår uten en godkjent regel eller love en leveringsdato den ikke kan kontrollere.

Mål fullførte kjøp etter interaksjon, men følg også med på avvisning, klager og hvor ofte agenten tilbyr et alternativ som kunden ikke ba om.

5. Produkttekster og katalogarbeid

Store kataloger inneholder ofte ujevne titler, manglende attributter og beskrivelser som ikke følger samme struktur. En intern agent kan finne avvik, foreslå tekster og formatere informasjon for flere kanaler.

Dette passer godt som en arbeidsflyt med godkjenning. Agenten lager et forslag basert på godkjente produktdata. En redaktør kontrollerer påstander, språk og merkevare før publisering.

Agenten kan også flagge problemer den ikke bør løse selv:

• motstridende mål eller materialopplysninger
• bilder som ikke samsvarer med valgt variant
• manglende obligatoriske felter
• påstander uten dokumentasjon

Slik blir agenten både en skriveassistent og en kvalitetskontroll, uten å få fri adgang til å publisere.

6. Lager og etterspørselsplanlegging

En lageragent kan samle signaler fra salg, lagerbeholdning, kampanjeplan og leverandørtider. Den kan varsle om risiko for utsolgt vare, foreslå omfordeling mellom lagre eller klargjøre et innkjøpsforslag.

Dette området krever ryddige data. Ulike varenummer, forsinkede lageroppdateringer og ukjente leverandørtider gir svake beslutningsgrunnlag. Før agenten får skrive tilbake til et ERP- eller lagersystem, bør teamet teste forslagene mot historiske perioder og kjente avvik.

For mange virksomheter er et godt første steg at agenten forklarer hvorfor den varsler. Et varsel som viser hvilke signaler som utløste det, er lettere å kontrollere enn en automatisk bestilling uten begrunnelse.

7. Pris og kampanjekontroll

En prisagent kan overvåke lager, marginregler, kampanjer og andre godkjente signaler. Den kan foreslå prisendringer eller oppdage at to kampanjeregler kolliderer.

Automatiske prisendringer kan få store konsekvenser. Legg derfor inn minste margin, øvre og nedre prisgrense, godkjenningsnivå og mulighet for rask tilbakeføring. Alle endringer bør logges med grunnlaget agenten brukte.

Det er ofte bedre å starte med avviksdeteksjon enn autonom prising. Agenten finner mulige feil og sender dem til kommersiell ansvarlig. Først når målingene viser stabil kvalitet, kan enkelte lavrisikoendringer vurderes for automatisk utførelse.

8. Svindel- og avviksoppfølging

Eksisterende risikomodeller kan flagge en ordre, men noen må fortsatt samle kontekst og velge neste steg. En agent kan hente relevante opplysninger, oppsummere hvorfor ordren ble markert og opprette en sak for manuell kontroll.

Agenten bør ikke blokkere kunder på grunnlag av en fri språkvurdering alene. Bruk godkjente risikosignaler, faste terskler og en tydelig klage- eller kontrollprosess. Sensitive data må være begrenset til det agenten trenger for den konkrete oppgaven.

Her bør kvalitetsmålingen inkludere både oppdagede problemer og legitime ordre som feilaktig blir forsinket. En løsning som stopper for mye, er ikke trygg bare fordi den er streng.

9. Intern drift og leverandøroppfølging

Mye arbeid i netthandel skjer utenfor selve butikken: leverandørmailer, forsinkede forsendelser, avvik i produktfiler og oppgaver som må fordeles mellom team.

En intern agent kan lese en godkjent innboks, knytte meldingen til riktig ordre eller leverandør og opprette en oppgave. Den kan klargjøre et svar eller varsle når en frist nærmer seg. Dette er ofte et bedre startpunkt enn en kundevendt agent, fordi teamet kan kontrollere resultatet før noe sendes.

Velg én prosess med tydelig start og slutt. «Hjelp driftsteamet» er for bredt. «Opprett en sak når en leverandør melder forsinkelse, og legg ved berørte ordre» er mulig å teste.

Hva med agentisk handel?

Agentisk handel beskriver en kjøpsreise der en agent kan finne, sammenligne og i noen tilfeller kjøpe produkter på vegne av kunden. Det flytter deler av produktoppdagelsen bort fra nettbutikkens egne sider.

For nettbutikken betyr det at produktinformasjonen må kunne forstås av både mennesker og maskiner. Produktnavn, varianter, egenskaper, pris, tilgjengelighet, returvilkår og identifikatorer bør være konsistente. En agent kan ikke velge riktig vare hvis grunnlaget er uklart.

Kjøp uten godkjenning krever dessuten klare grenser for budsjett, produktkategori, selger og betaling. Kunden må kunne se hva agenten gjorde og trekke tilbake tillatelser.

Slik bygger du en trygg agent

En produksjonsklar agent er mer enn en chatflate. Den trenger en kontrollert forbindelse mellom modell, data og handlinger.

Datakilder

Bestem hvilke kilder som er autoritative for hvert spørsmål. Produktinformasjon bør komme fra produktkatalogen. Ordrestatus bør komme fra ordresystemet. Returregler bør komme fra godkjente vilkår, ikke fra en tidligere samtale.

Verktøy og tillatelser

Gi agenten minst mulig tilgang. Skill mellom å lese en ordre, foreslå en endring og gjennomføre endringen. Bruk separate tillatelser for hvert nivå.

Regler og menneskelig kontroll

Definer beløpsgrenser, forbudte handlinger og situasjoner som alltid skal eskaleres. En usikker agent bør stoppe. Den skal ikke gjette seg videre i en betalings- eller ordreflyt.

Logging og evaluering

Logg input, datakilder, valgte handlinger, godkjenninger og resultat. Fjern eller begrens personopplysninger i logger. Test agenten med normale saker, kanttilfeller og forsøk på å få den til å bryte reglene.

Tilbakeføring

Planlegg hvordan teamet stopper agenten, trekker tilbake en handling og går tilbake til manuell drift. Dette bør være en del av løsningen før lansering, ikke en improvisasjon etter en feil.

Hva bør nettbutikken starte med?

Start med én hyppig oppgave der utfallet kan kontrolleres. Kundeserviceutkast, katalogkontroll og intern avviksoppfølging er ofte enklere å avgrense enn autonom prising eller refusjon.

Bruk denne rekkefølgen:

1. Beskriv dagens prosess steg for steg.
2. Registrer en grunnmåling før agenten tas i bruk.
3. Velg hvilke steg agenten får foreslå og utføre.
4. Definer feil som aldri er akseptable.
5. Test med historiske og konstruerte saker.
6. Lanser for en liten del av trafikken eller teamet.
7. Sammenlign resultatet med grunnmålingen før mandatet utvides.

Relevante målinger kan være løsningstid, andel saker som må overtas, feilhandlinger, konvertering etter produktveiledning eller tid brukt per katalogoppdatering. Velg én hovedmåling og noen få sikkerhetsmålinger.

Kjøpe standardverktøy eller bygge selv?

Et standardverktøy passer når arbeidsflyten er vanlig, integrasjonene finnes, og reglene kan konfigureres uten store tilpasninger. Det gir ofte kortere vei til en avgrenset test.

En tilpasset agent kan være riktig når prosessen går på tvers av egne systemer, bruker virksomhetsspesifikke regler eller krever en annen kontrollmodell enn standardproduktet tilbyr.

Vurder fem spørsmål:

• Kan løsningen bruke de faktiske systemene og datakildene deres?
• Kan dere styre hver handling med egne tillatelser og godkjenninger?
• Får dere logger som er gode nok til å undersøke feil?
• Kan data slettes, eksporteres og begrenses etter behov?
• Hva skjer når modellen, integrasjonen eller leverandøren er utilgjengelig?

Valget handler mindre om hvor imponerende en demo er, og mer om hvor godt løsningen passer inn i driften.

Vanlige spørsmål

Kan en AI-agent erstatte kundeservice?

En agent kan håndtere avgrensede henvendelser og samle kontekst før overføring. Komplekse unntak, sårbare kunder, tvister og saker med stor økonomisk konsekvens bør ha en tydelig vei til et menneske.

Trenger en agent tilgang til alle systemene våre?

Nei. Den bør bare få tilgang til data og handlinger som den konkrete arbeidsflyten krever. Lesetilgang og skrivetilgang bør skilles.

Kan en e-commerce-agent endre ordre og gi refusjon?

Teknisk kan den kobles til slike handlinger. I praksis bør virksomheten bruke faste regler, beløpsgrenser, logging og godkjenning for risikofylte tilfeller.

Hvordan vet vi om agenten virker?

Registrer nivået før lansering, velg én hovedmåling og følg feil og eskaleringer ved siden av. Ikke vurder løsningen bare etter hvor naturlig samtalen høres ut.

Hva er den største feilen ved innføring?

Å starte med et bredt mandat og uklare datakilder. En smal agent med pålitelig informasjon er lettere å teste, kontrollere og forbedre.

Fra idé til en kontrollert pilot

Daia bygger AI-agenter og copiloter, full-stack-produkter og systemer for automatisering og drift. Hvert oppdrag får avtalt omfang, pris, tidspunkt, tilgang, eierskap og vilkår for levering og overlevering.

Har dere en arbeidsflyt i nettbutikken som er tung å drive manuelt, kan vi hjelpe med å avgrense en pilot og bygge den for produksjonsleveranse. Start en samtale.