For AI agents: a documentation index is available at /llms.txt. Every page also has a Markdown version at its URL plus .md.
~/what-i-do/ai
AI gør sig fortjent til sin plads, når den fjerner reelt, gentaget arbejde, og man kan stole på det, den gør. Jeg bygger AI-funktioner og agent-workflows med struktur, måling og mennesker på de usikre sager.
Copy-paste mellem webshop, regnskab, regneark og mail - klaret af systemerne i stedet for af medarbejderne. Jeg finder de opgaver, der æder jeres uge, og forbinder de værktøjer, I allerede har, med kode eller med low-code som Power Automate, Make eller n8n, når det passer jer bedre.
Produkttekster, sortering af indgående mails, fakturaer og ordrer læst ind i e-conomic, Dinero eller jeres ERP: AI klarer rutinearbejdet, og et menneske tjekker kun de sager, den er usikker på. Testet på jeres egne data, før I binder jer.
En assistent, der svarer ud fra jeres egne dokumenter, FAQ og produktdata: udkast til svar på kundemails, som et menneske godkender, en chat på hjemmesiden eller søgning på tværs af SharePoint og Drive, der viser sine kilder.
Praktisk brug af ChatGPT, Microsoft Copilot og lignende værktøjer på jeres egne opgaver, plus enkle regler for, hvilke data der må hvorhen. Medarbejderne går derfra med arbejdsgange, de bruger næste morgen.
Få reel gevinst af kodeagenter uden kaos: skills, hooks og en gate agenten ikke kan svække i det stille, plus flows fra ticket til PR klar til review.
Skemabundet output, retries og idempotens, confidence-scoring, menneskelig godkendelse og audit trail. Enhver større LLM-udbyder bag en abstraktion, der kan udskiftes.
Én fælles vej for alle teams til at bruge LLM’er: en udbyder-agnostisk gateway med cost-aware model routing, forbrug og udgifter pr. team, guardrails, caching og evals, så hver ny AI-funktion starter på en asfalteret vej.
Lad ChatGPT, Claude og andre AI-agenter finde og bruge jeres produkt: en MCP-server, llms.txt, Markdown-versioner af siderne, API-katalog og strukturerede data - det samme setup, som dette site kører.
Modeller svarer i skemabundet JSON, så resten af systemet får typede data i stedet for gætværk.
Se det i: Illux Product AI → · jev-tools →
Sikre resultater går direkte igennem; usikre går til et menneske. Automatisering hvor det er sikkert, dømmekraft hvor det betyder noget.
Se det i: jev-tools → · Illux Product AI →
Hurtige, billige modeller tager størstedelen; stærkere modeller gemmes til det, de ikke kan afgøre.
Se det i: jev-rerank → · jev-tools →
Evalueringsværktøjer sammenligner modeller og prompts med rigtige labels, og audit trails registrerer præcis, hvad der kørte.
Se det i: jev-eval → · Illux Product AI →
En agents risikable handlinger bliver tjekket, før de kører, og når tjekket er usikkert, vælges den sikre side: kaldet holdes tilbage til et menneske i stedet for at gå igennem.
Se det i: jev-tools →
Optælling, datoer, routing og enhver regel, der kan skrives ned, bliver i almindelig kode. En model får kun de spørgsmål, der reelt kræver dømmekraft.
Se det i: jev-tools →
Generativ AI til produktberigelse og rumvisualisering i Shopware 6
En sprog-agnostisk kvalitets-gate til AI-assisteret udvikling
Tre TypeScript-værktøjer, der sætter en billig, typet model foran den dyre
Holder en kodeagent til de projektregler, ingen linter kan tjekke
AI-platform til jobansøgninger - fra jobopslag til skræddersyet CV
En afhængighedsfri .NET-klient til Jev
En afhængighedsfri Java-klient til Jev
Mål Jev på dine egne mærkede data og få den confidence-grænse, du skal gate på
Næsten gratis relevansfiltrering og reranking til RAG
Hurtige typede klassifikatorer mod Claude, målt på de samme forespørgsler
En syntaksbevidst duplikatfinder, der giver agenten den hjælpefunktion, der skal trækkes ud
Hvad der skal til, før AI-genererede produkttekster kan køre i en rigtig webshop - erfaringer fra en løsning, der har beriget over 3.000 produkter.
Sådan spotter du det manuelle arbejde, der kan betale sig at automatisere, med fem typiske eksempler fra små og mellemstore danske virksomheder.
Tre open source-værktøjer - en guardrail til agenter, en GitHub Action til issue-triage og en masseklassifikator - bygget på ét mønster for AI-automatisering, der er billigt nok til at køre på alt.
Hvordan et Shopware 6-plugin gjorde produktbilleder til tekster, SEO og kategorier på flere sprog for Illux - og de sikkerhedsnet, der gjorde det trygt at lade det køre uden opsyn.
Hvorfor jeg holdt op med at behandle CI og "AI-kodestandarder" som to forskellige ting - og hvad Foundry gør i stedet.