Hvorfor de fleste kundeservice-bots fejler
De fleste virksomheder begår tre fejl når de bygger deres første chatbot.
Først: de bruger en generisk LLM uden RAG. Modellen kender ikke jeres returpolitik, jeres leveringstider eller jeres produktkatalog — så den hallucinerer plausibelt-lydende svar der er forkerte. Kunden bliver lovet noget der ikke holder, og I får både en utilfreds kunde og potentielt en reklamation.
For det andet: de prøver at lade botten håndtere alt fra dag ét. Resultatet er en bot der er middelmådig til alt og god til intet. Den fejler oftere, kunderne lærer hurtigt at den ikke kan hjælpe, og botten ender som en blokade for at nå et menneske.
For det tredje: de måler det forkerte. "Chat-antal" eller "antal interaktioner" stiger naturligt med en bot — det er ikke succes. Det der betyder noget er om botten faktisk løser problemer.
Den rigtige tilgang — én use case ad gangen
Vores anbefaling: vælg én konkret, hyppig forespørgsels-type til at starte. For e-commerce er "hvor er min pakke?" og "hvordan returnerer jeg?" oftest top-2. For SaaS er det "hvordan ændrer jeg min plan?" og "hvordan resetter jeg mit kodeord?".
Byg én bot der gør dén ene ting fantastisk. Mål succesraten. Når den hitter 90%+ på den use case, så tilføj den næste. Det giver dig fundament til at se hvad der virker og hvad der fejler.
Det betyder også at botten ærligt skal sige "det her kan jeg ikke hjælpe med, men vores team kan — vil du have at jeg sender en besked til dem?" når kunden spørger om noget uden for dens domæne. Det er bedre end at hallucinere.
Teknisk arkitektur
En produktions-bot består typisk af fem lag:
Lag 1 — LLM som motor. Claude Haiku, Gemini Flash eller GPT-mini er gode startsvalg for de fleste use cases. Du betaler typisk under 1 øre pr. samtale, og latency er under 2 sekunder.
Lag 2 — RAG over jeres egen viden. Jeres FAQ, retur-politik, produktkatalog, manualer — alt sammen i en vector-database. Når kunden spørger, hentes de mest relevante stumper og indsættes i prompten.
Lag 3 — Tool use til at slå konkrete data op. "Hvor er min pakke?" → modellen kalder `get_order_status(order_id)` og bruger svaret.
Lag 4 — System prompt der definerer tone, restriktioner og eskalations-regler. Det er her du skriver "svar altid på dansk", "lov aldrig konkrete leveringstider", "hvis kunden bliver vred eller spørger om refundering over X, eskaler til menneske".
Lag 5 — Monitorering og evaluation. Log alle samtaler, mærk dem med outcome (løst / eskaleret / kunden droppede), og kør ugentlige reviews på de fejlede 5-10%.
GDPR og dansk juridisk virkelighed
Hvis jeres bot håndterer kunde-data (navn, ordrenummer, email), gælder GDPR. Tre konkrete krav at have styr på:
Dataminimering: send kun de oplysninger til LLM'en der er nødvendige for at svare. Hash eller anonymiser kundens email hvis modellen ikke behøver den. Send aldrig CPR-numre.
Transparens: kunden skal vide de taler med en AI. Det skal stå tydeligt i botten ("Jeg er en AI-assistent — vil du tale med et menneske?").
Databehandleraftale: jeres LLM-udbyder (Anthropic, OpenAI, Google) er databehandler. Sørg for at have en gyldig DPA på plads. Alle de store udbydere har standard-DPA'er klar.
For særligt følsomme brancher (sundhed, jura, finansiel rådgivning) skal I overveje om data overhovedet må forlade EU. I så fald: brug enten en EU-region (Anthropic via AWS Bedrock i Frankfurt, OpenAI via Azure EU, Gemini via Vertex EU) eller en self-hostet model (Llama).
Implementerings-tidsplan
En realistisk tidsplan for en SMB der starter fra nul:
Uge 1: scope og dataindsamling. Vælg use case, eksporter jeres FAQ og relevante dokumenter, definer success-metrics, få juridisk godkendt.
Uge 2-3: byg MVP. Sæt RAG op, byg system prompt, hook det op til jeres support-kanal (Intercom, Zendesk, custom widget). Test internt mod 50-100 realistiske spørgsmål.
Uge 4: pilot med 10-20% af trafikken. Mål alt. Lyt til real-life samtaler — de afslører altid problemer du ikke havde forudset.
Uge 5-6: iterer baseret på piloten. Stram system prompten, udvid RAG-corpus, fix de hyppigste fejl-modi.
Uge 7+: gradvis udrulning til 100% trafik. Behold mennesker som eskalations-mulighed for evigt.
Hvad det koster
Tre omkostnings-poster:
LLM-forbrug: med Gemini Flash eller Claude Haiku som motor regner vi typisk med 5-20 øre pr. samtale. En SMB med 500 chats/uge: omkring 200-800 kr/måned.
Vector-database og infrastruktur: hvis I bruger pgvector (PostgreSQL extension) i en eksisterende database, er der ingen ekstra cost. Managed services som Pinecone starter på $70/måned. Frem hosting og deploy: 100-300 kr/måned for en SMB.
Intern tid: forventningen om at en chatbot er "fire-and-forget" er forkert. Regn med en halv FTE-dag pr. uge til at reviewe failed conversations, opdatere FAQ-corpus og forbedre prompts. Det bliver mindre over tid men forsvinder aldrig.