Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Automatisering af gentagne opgaver

Lektion 8 af 14 Opdateret 3. november 2026 Begynder
På denne side
  1. Tiden sniger sig ubemærket væk
  2. Tre kriterier for valg af din første opgave
  3. Det fælles mønster for alle automatiseringer
  4. De mest almindelige automatiseringsmønstre
  5. Automatisér uden at skrive kode
  6. Hold omkostningerne nede
  7. Vigtige pointer

Opdateret 3. november 2026. Eksemplet kaldte tidligere client.responses.create() på xai-sdk-klienten, som mangler et responses-attribut, og hardcodede API-nøglen: det bruger nu client.chat.create(), chat.append(user(...)) og chat.sample(), mens nøglen læses fra miljøvariablen. Råd om caching baserer sig nu på den dokumenterede mekanisme (prompt_cache_key eller x-grok-conv-id-headeren), og et ubegrundet numerisk påstand (“80 % af behovene”) er fjernet. Koden er verificeret med xai-sdk 1.21.0. Kilder: xAI Python SDK · Maksimér cache-hits · Prissætning.

Tiden sniger sig ubemærket væk

Alle fagfolk bruger en betydelig del af dagen på gentagne opgaver: klassificering af e-mails, formatering af data, skrivning af standardrapporter og klargøring af tilbagevendende dokumenter. Set hver for sig virker de harmløse; det er deres samlede vægt, der trækker din uge ned. Grok API’en lader dig automatisere disse opgaver for at frigøre tid til aktiviteter med høj værdi, forudsat at du starter med de rigtige.

Tre kriterier for valg af din første opgave

Før du skriver en eneste linje kode, skal du granske dine vaner. En opgave er en god kandidat, så snart den opfylder mindst to af følgende tre kriterier. For det første skal den være gentagen, hvilket betyder, at den forekommer mere end fem gange om ugen: rapporten, du skriver efter hvert klientbesøg, falder ind under denne kategori, den årlige syntesenote gør ikke. For det andet skal den være struktureret, hvilket betyder, at input og output følger et forudsigeligt format; at omdanne rå mødenoter til en ren rapport er forudsigeligt, en salgsforhandling er det ikke. For det tredje skal den være ukritisk, hvilket betyder, at en lejlighedsvis fejl ikke får alvorlige konsekvenser. Et dårligt formuleret produktark tager tredive sekunder at rette; et forkert prissat tilbud koster penge.

Testen ser forskellig ud afhængigt af erhvervet. En konsulent automatiserer opfølgende e-mails efter aftaler, formatering af mødenoter til rapporter og ugentlige aktivitetssammendrag først – tre opgaver, der gentages mekanisk, og hvis format ingen bestrider. En købmand får mest ud af at skrive produktark, svare på kundeanmeldelser og oversætte beskrivelser til andre markeder, da volumen her er den begrænsende faktor. En håndværker får mest ud af at skrive tilbud ud fra en mundtlig beskrivelse, svare på informationsforespørgsler og planlægge kundepåmindelser: alt dette administrative arbejde udføres om aftenen efter arbejdet på byggepladsen.

Det fælles mønster for alle automatiseringer

Uanset kompleksitet følger en automatisering altid den samme sekvens. En udløser starter processen, hvad enten det er en indkommende e-mail, en ny ordre eller et fast tidspunkt på dagen. Inputdata udtrækkes og formateres derefter. Grok håndterer behandlingen og producerer det forventede resultat. Outputtet routeres endelig til det rigtige sted: en e-mail, en fil, en database. Hold denne opdeling i tankerne; den forhindrer dig i at lede efter et prompt-problem, når du faktisk har et rørproble mellem dine værktøjer.

Her er det enkleste tilfælde, en daglig rapport bygget på tal udtrukket fra dit CRM:

from xai_sdk import Client
from xai_sdk.chat import user

client = Client()  # reads the key from the XAI_API_KEY environment variable

# Daily data (extracted from your CRM/tool)
donnees_jour = """
- 3 new leads
- 2 proposals sent
- 1 contract signed (€12,000)
- 5 customer emails processed
"""

chat = client.chat.create(model="grok-4.3")
chat.append(user(f"""Write a daily activity report
based on this data:
{donnees_jour}

Format: executive summary (3 lines), breakdown by category,
priority actions for tomorrow."""))

response = chat.sample()
print(response.content)

De mest almindelige automatiseringsmønstre

Behandling af indkommende e-mails er den mest almindelige. Udløseren her er ankomsten af en besked i din indbakke, hvorfra et script udtrækker indholdet; herfra følger tre operationer:

  1. Grok klassificerer e-mailen (hastende / normal / spam)
  2. Grok skriver et skræddersyet svar
  3. Svaret sendes som et udkast til validering

Stop ved dette sidste trin: udkast frem for direkte afsendelse. Dette sikkerhedsnet gør automatisering acceptabel på en så følsom kanal som e-mail.

Batch-generering af indhold følger en lignende logik. Du forbereder en liste over emner i en CSV-fil, et script sender hvert emne til Grok via Batch API’en og dens 20 % rabat på berettigede modeller, og resultaterne gemmes i individuelle filer. Hundrede produktark behandles på denne måde, mens du er til møde. Automatiseret overvågning kører til gengæld hver morgen kl. 8.00: scriptet beder Grok om at søge på X efter omtaler af din virksomhed og dine konkurrenter, Grok producerer et struktureret sammendrag med alarmer, og det hele lander i din e-mail før din første kop kaffe.

Automatisér uden at skrive kode

Intet af dette kræver programmeringskundskaber. Zapier og Make lader dig bygge visuelle workflows, der udløser API-kald fra dine eksisterende værktøjer; dette er den hurtigste rute, når dit CRM eller din e-mail-indbakke allerede er forbundet der. n8n, som er open source, tilbyder den samme logik, men hostes på din egen server, hvilket er af åbenlys interesse, så snart de behandlede data er følsomme. Og hvis du kan læse Python, dækker en fil på tyve linjer som den ovenfor de fleste behov.

Hold omkostningerne nede

Start med valget af model. grok-4.3 er tilstrækkelig til de fleste automatiserede opgaver, hvad enten det er klassificering, skrivning af korte tekster eller dataudtrækning; reserver grok-4.5 til behandling, der kræver kompleks ræsonnement, ellers betaler du dyrt for kapacitet, du ikke bruger. Det andet angår rytme: så snart en opgave ikke kræver et øjeblikkeligt svar, skal du bruge Batch API’en og dens 20 % rabat på tokens for berettigede modeller (xAI batch pricing), hvilket passer til batch-generering af indhold, nattrapporter og massefilanalyse. Det tredje mål er mængden af sendt tekst: overfør kun de nødvendige data frem for hele dokumenter, formuler koncise og strukturerede prompts, og hold begyndelsen af en prompt identisk fra kald til kald (instruktioner, derefter variable data til sidst) for at drage fordel af caching: xAI opkræver mindre for cachede input-tokens og anbefaler for Responses API’en at sende den samme prompt_cache_key (eller x-grok-conv-id-headeren med Chat Completions), så anmodninger fra samme serie ankommer til den samme server. På en automatisering, der kører tusind gange om måneden, reducerer disse tre vaner regningen markant.

Vigtige pointer

  • Identificér dine automatiserbare opgaver med 3-kriterie-testen (gentagen, struktureret, ukritisk)
  • Start med at automatisere en enkelt opgave og mål den tid, du sparer
  • grok-4.3 er tilstrækkelig til de fleste automatiseringer (klassificering, skrivning af korte tekster, udtrækning) til en lavere omkostning end grok-4.5
  • Batch API’en tilbyder 20 % rabat på berettigede modeller til ikke-hastende behandling
  • No-code-platforme som Zapier eller Make lader dig automatisere uden en udvikler