Workspace Agents i ChatGPT: nu börjar AI bli riktig automation

Har du ChatGPT Business på företaget? Då kan det vara läge att kika lite extra i vänstermenyn. Där börjar nu Workspace Agents dyka upp – och jag tror att det här är ett av de tydligaste stegen hittills från AI som “smart chatt” till AI som faktiskt kan göra återkommande jobb.

Det är också här det blir både riktigt spännande och lite svettigt. För när en AI inte bara kan skriva ett svar, utan även läsa mejl, skapa underlag, uppdatera dokument, lägga saker i kalendern eller agera i kopplade system – då pratar vi inte längre bara om produktivitet. Då pratar vi automation. På riktigt. 💡

Från AI-svar till AI-arbetsflöden

De senaste åren har många av oss använt ChatGPT ungefär som en väldigt smart kollega i textform. Vi ber den sammanfatta, skriva om, förklara, analysera och skapa utkast. Det är värdefullt, absolut. Men det är fortfarande ofta vi människor som måste flytta informationen vidare.

Vi kopierar från mejl till Excel.
Från mötesanteckning till att göra-lista.
Från CRM till rapport.
Från dokument till PowerPoint.
Från “det där borde vi följa upp” till… ja, ibland till ingenting alls.

Workspace Agents pekar mot något annat.

I stället för att du varje gång startar en ny chatt och ber om hjälp kan du bygga en agent som gör ett återkommande arbetsflöde. Den kan köras på schema, använda kopplade appar och delas med teamet. Det gör att AI börjar närma sig de praktiska flöden där många företag faktiskt läcker tid varje vecka.

Jag ser det lite som att idéerna från agentplattformar som OpenClaw – där AI kan utföra digitala uppgifter, hantera filer, skriva mejl och använda verktyg – nu börjar flytta in i de stora arbetsmiljöerna där vanliga användare redan befinner sig. Skillnaden är att tröskeln blir lägre. Och det är stort.

För ett mindre företag kan det här vara skillnaden mellan “vi borde digitalisera det där någon gång” och “vi testar en enkel agent på fredag”. 😄

Tre användningsfall jag verkligen tror på

Jag tycker inte att man ska börja med det mest futuristiska. Börja inte med en agent som ska “optimera hela företaget” och fatta strategiska beslut på tisdagar klockan 09. Det blir lätt AI-teater.

Börja i stället där vardagen skaver. Där någon redan idag sitter och tänker:

“Det här borde väl ändå gå att slippa göra manuellt?”

Här är tre användningsfall som jag tycker passar särskilt bra för små och medelstora företag.

1. Ordermejl som blir strukturerade underlag

Det här är kanske mitt favoritexempel, just för att det är så konkret.

Många företag får order, ändringar eller förfrågningar via mejl. Ibland är det snyggt och strukturerat. Ibland är det en PDF. Ibland är det en kund som skriver “samma som förra gången, men två extra av den lilla varianten”.

En agent skulle kunna gå igenom nattens ordermejl och:

✅ identifiera nya order eller ändringar
✅ plocka ut kund, artikel, antal, datum och önskemål
✅ jämföra mot tidigare underlag om det behövs
✅ flagga osäkra rader för manuell kontroll
✅ lägga ett strukturerat förslag i SharePoint, Excel eller annat gemensamt underlag

Det viktiga här är ordet förslag. Jag skulle inte börja med att låta agenten själv lägga skarpa order i affärssystemet utan kontroll. Men att låta den göra 70–80 procent av grovjobbet? Där finns det riktig nytta.

Det här påminner också om många moderna exempel inom agentisk AI där just inköp, order och dokumentflöden lyfts fram som bra startpunkter. Inte för att de är sexiga – utan för att de är återkommande, regelstyrda och ofta tidskrävande.

2. Fritext som blir att göra-listor och uppföljning

Här tror jag många känner igen sig.

Arbetsuppgifter gömmer sig överallt. I mötesanteckningar. I mejl. I Teams- eller Slack-trådar. I CRM-noteringar. I formuleringar som:

“Vi borde återkomma om två veckor.”
“Kan du kolla med leverantören?”
“Det där får vi inte glömma inför nästa möte.”
“Jag tar kontakt med kunden efter semestern.”

Problemet är att mycket av detta aldrig blir en riktig uppgift. Det bara ligger där som små digitala brödsmulor. Och vi människor är tyvärr inte alltid lika bra som Hans och Greta på att hitta tillbaka till dem.

En agent skulle kunna köras varje eftermiddag eller varje fredag och:

✅ läsa igenom utvalda mötesanteckningar och mejltrådar
✅ hitta formuleringar som antyder en uppgift
✅ föreslå ansvarig person och deadline
✅ skapa utkast till kalenderpåminnelser eller att göra-punkter
✅ länka tillbaka till ursprungskällan

Det här passar mig extra bra eftersom jag länge har pratat om hur AI kan hjälpa oss att fånga upp värde direkt efter möten. Jag har själv experimenterat med mötesanteckningar från bilen, CRM-underlag och uppföljningsmejl. Med agenter blir nästa steg ganska naturligt: AI går från att skriva anteckningen till att hjälpa till att se till att något faktiskt händer.

Och där börjar det bli riktigt värdeskapande.

3. Leverantörsflöden, fakturor och avvikelser

Det tredje användningsfallet jag tror mycket på är leverantörs- och fakturaflöden. Inte som ersättning för ekonomisystem eller affärssystem, utan som ett smart lager ovanpå röriga informationsflöden.

Tänk ett tillverkande SME-företag som får offerter, orderbekräftelser, följesedlar och fakturor i olika format. Någon behöver jämföra pris, antal, artikelnummer, leveransdatum och villkor. Ofta är det inte svårt i teorin – men det tar tid, och det är lätt att missa små avvikelser.

En agent skulle kunna:

✅ läsa inkommande leverantörsmejl och bilagor
✅ jämföra faktura mot order eller offert
✅ upptäcka avvikelser i pris, antal eller leveransdatum
✅ skapa en kort sammanfattning till ekonomi eller inköp
✅ markera vad som behöver godkännas manuellt

Här ser jag en väldigt praktisk möjlighet. Många företag har inte behov av ett gigantiskt integrationsprojekt. De behöver bara minska mängden manuellt letande, jämförande och dubbelkollande.

Det här är också ett bra exempel på vad AI-agenter är särskilt lämpade för: uppgifter som har tydliga steg, mycket text och dokument, men där det fortfarande behövs mänskligt omdöme.

Men säkerheten då? Ja, den måste vara med från början

Nu till den viktiga delen: Workspace Agents är kraftfulla just eftersom de kan göra saker. Och det är också därför man behöver vara försiktig.

En agent som bara skriver ett utkast är ganska ofarlig. En agent som kan ta bort filer, skicka mejl, ändra kalendern eller uppdatera dokument är något helt annat.

Jag brukar tänka så här: en AI-agent med för breda rättigheter är lite som en extremt snabb praktikant med nyckel till hela kontoret. Full av energi, jobbar gärna sent och klagar aldrig på kaffet – men du vill kanske inte att den själv ska avgöra vad som ska raderas från SharePoint. 😅

Min grundregel är enkel:

✅ Låt agenten läsa mer än den får skriva
✅ Låt den föreslå innan den får agera
✅ Kräv godkännande för mejl, kalender, dokumentändringar och borttagning
✅ Ge den bara åtkomst till det den faktiskt behöver

Det fina är att den här typen av säkerhet inte behöver stoppa innovationen. Tvärtom. Bra ramar gör att fler vågar testa.

Det största misstaget vore att antingen släppa allt fritt eller förbjuda allt. Båda är dåliga strategier. Det smarta är att börja med låg risk och hög irritation. Alltså: flöden som är tråkiga, återkommande och lätta att kontrollera i efterhand.

Kostnaden behöver räknas mot nyttan

I skrivande stund är Workspace Agents i research preview och användningen är gratis fram till 6 maj 2026. Därefter blir det kreditbaserad prissättning. Exakt vad olika körningar kommer att kosta i praktiken beror på hur mycket agenten gör, vilka verktyg den använder och hur ofta den körs.

Jag skulle därför inte stirra mig blind på en exakt kostnad per körning ännu. Jag skulle hellre räkna så här:

Sparar den här agenten tillräckligt mycket tid, minskar tillräckligt många fel eller skapar tillräckligt mycket bättre uppföljning för att vara värd sin kostnad?

En agent som kostar några kronor men sparar 30 minuter är en fantastisk affär. En agent som körs ofta men mest skapar snygga sammanfattningar ingen läser är mer tveksam.

Som vanligt med AI handlar det inte om att “använda AI”. Det handlar om att använda AI där den skapar värde.

Börja här: ett tryggt första test

Om jag skulle hjälpa ett företag att komma igång skulle jag börja så här:

1️⃣ Välj ett återkommande arbetsflöde
2️⃣ Begränsa datan agenten får komma åt
3️⃣ Låt agenten skapa förslag, inte genomföra allt själv
4️⃣ Testa på verkliga exempel under några veckor
5️⃣ Mät om den sparar tid eller minskar fel
6️⃣ Lägg först därefter till fler behörigheter

Det låter kanske försiktigt. Men jag tror att det är exakt så man får AI att bli användbar på riktigt.

Inte genom att göra världens största AI-projekt.
Utan genom att hitta ett riktigt irriterande vardagsflöde – och göra det lite mindre irriterande. ✨

Key Takeaway

Workspace Agents i ChatGPT gör att AI börjar röra sig från chatt till återkommande arbetsflöden. Den stora potentialen ligger inte i häftiga demos, utan i praktiska flöden som ordermejl, uppföljning från fritext och leverantörs- eller fakturahantering. Men ju mer en agent får göra, desto viktigare blir behörigheter, godkännanden och spårbarhet. Börja smått, testa på riktigt och låt människan ha sista ordet där misstagen kan bli dyra.

Vill du veta mer?

Är du nyfiken på hur ChatGPT, Workspace Agents eller annan AI-automation kan användas praktiskt i ditt företag? Jag hjälper gärna till att hitta konkreta användningsfall, sätta rimliga säkerhetsramar och bygga första tester som faktiskt går att använda i vardagen.

Hör gärna av dig till mig via AI Olle om du vill prata vidare om praktisk AI, AI-automation eller hur ditt företag kan komma igång på ett tryggt och värdeskapande sätt.