Skalér AI-søgning med agenter og spar mange timer

Manuel research holder virksomheder tilbage og gør dem mindre rentable.

Her er hvorfor:

1. Det er en ensformig opgave, som ingen bryder sig om
2. Research tager lang tid, og som bekendt er tid penge
3. Kvaliteten og mængden af de indsamlede oplysninger varierer, når arbejdet udføres af mennesker

Det gælder os alle. Vi har alle brugt alt for meget tid på at lede efter oplysninger på Google, selvom det ikke var det, vi blev ansat til. (Ifølge McKinsey bruger vi 19 % af vores tid på informationssøgning^[4])

Her kommer AI Research Agents ind i billedet. De hjælper dig med at skalere AI-søgning i et regneark, og denne guide gennemgår alt, du bør vide – fra de grundlæggende begreber til praktiske use cases, du kan tage i brug allerede i dag.

📌 Kort fortalt til dig, der har travlt

Skalering af AI-søgning fjerner gentagen research og manuel copy-paste i regneark. Datablists AI Research Agent kører din research-prompt på hver valgt række, søger på nettet og skriver svarene i dine outputkolonner.

Begynd med virksomhedsnavne og websites, definér de fakta og kilde-URL'er, du skal bruge, og kontrollér et lille batch, før du skalerer op. Brug planlagt Auto-Run, når oplysningerne skal opdateres løbende. Kontrollér altid dokumentationen: AI-output kan være ufuldstændigt eller forkert.

Det gennemgår jeg i guiden

• Sådan fungerer AI Research Agent og de vigtigste begreber
• Sådan bruger du AI Research Agent til leadgenerering
• Overblik over funktioner og begrænsninger i AI Research Agent

AI Research Agents forklaret

For bedre at forstå fordelene ved at skalere AI-søgning skal vi først se på AI research agents. Det gør vi ved kort at sammenligne AI-søgning med traditionel søgning.

Traditionel søgning

Det er den type søgning, Google, Bing og andre søgemaskiner har tilbudt i årevis. Den var og er stadig meget nyttig. Udfordringen er blot, at søgemaskiner ikke forstår, hvad du vil opnå, fordi de baserer sig på:

1. Søgeord
2. Søgeintention
3. Kombinationer af søgeord

De analyserer ikke dit mål eller ræsonnerer over det – de forsøger i stedet at finde et match^[1].

AI-søgning

Det er den retning, alle bevæger sig i nu. Tænk på AI-søgning som en samtale med en person, der forsøger at finde svar, vedkommende ikke allerede kender.

Tidligere fandt AI'en bare på et svar. Nu søger den efter oplysninger – og gør det ganske godt – fordi AI kan:

1. Analysere din intention og tone
2. Forstå dit mål
3. Afprøve forskellige vinkler

Den største fordel ved AI-søgning er dog, at du ikke selv behøver at finde, analysere og copy-paste oplysningerne, fordi AI'en besøger tusindvis af artikler, forskningsartikler og produktsider og udtrækker de oplysninger, du skal bruge.

Eksempler på AI-søgemaskiner

• Claude
• Perplexity
• Google AI Mode
• ChatGPT search

Kort sagt slipper du med AI-søgning for at:

• Foretage flere søgninger
• Lede efter relevante sider
• Åbne mange faner
• Udtrække oplysninger
• Besøge websider manuelt

Men selvom AI-søgning er praktisk, er du stadig begrænset til én chatbot og én søgning ad gangen.

Fordelen ved AI Research Agents i Datablist

Forestil dig, at du skal finde ud af:

• Hvornår Anthropic AI blev grundlagt
• Hvem der grundlagde virksomheden
• Hvad virksomhedens nyeste produkt er
• Hvordan brugerne på Reddit reagerede på lanceringen

Med en traditionel søgemaskine skal du:

1. Foretage flere søgninger
2. Åbne flere faner
3. Læse en række artikler
4. Copy-paste alle oplysningerne manuelt til et regneark

Processen vil tage mindst fem minutter for én virksomhed. Hvis du skal finde de samme oplysninger om 100 virksomheder, bliver det til 500 minutter ≈ 8,3 timers research.

Med AI-søgning i en chatbot skal du:

1. Indtaste din forespørgsel
2. Vente på et svar
3. Copy-paste oplysningerne til et regneark

Det tager cirka tre minutter, hvis du har en god prompt. Skal du gentage processen 100 gange, bliver det til 300 minutter = 5 timers research.

Med Datablists AI Research Agent køres den samme prompt på de valgte rækker, hvorefter de konfigurerede outputs skrives tilbage til din collection. Kontrollér et udsnit, før du udvider batchen.

Det er muligt, fordi Datablists AI Research Agents:

1. Kører AI-søgning i et regneark
2. Fjerner behovet for at copy-paste data
3. Ikke tvinger dig til at begynde forfra hver gang, som en chatbot gør

Det kan lade sig gøre, fordi Datablists AI Research Agents er udviklet til at skalere AI-søgning.

Det gør en markant forskel, fordi:

1. Agenten behandler hver række i regnearket som en ny forespørgsel, så konteksthukommelsen ikke bliver overbelastet
2. Den indsætter egenskaberne fra hver række i den konfigurerede prompt
3. AI-agenten har flere værktøjer end blot LLM'en og bruger dem til at løse sine opgaver

📘 AI-søgning i chatbots kontra Datablist

Der er ikke stor forskel på AI-søgning i chatbots som Claude og ChatGPT og i Datablist, da de alle har flere funktioner end en traditionel LLM.

Den afgørende forskel er, at Datablists AI Research Agents kan køre den samme researchopgave på hele lister af poster, mens chatbots er begrænset til én søgning ad gangen.

Datablists AI Research Agent er en schweizerkniv

I Datablist er AI Research Agent ikke blot et søgeværktøj. Det er en multifunktionel løsning til skalering af AI-søgning. Tænk på det som Claude, Perplexity eller ChatGPT direkte i dit regneark, hvor agenten:

1. Søger på Google og Google News
2. Besøger websider
3. Bladrer gennem sideinddelte resultater
4. Udfører opgaver i flere trin
5. Foretager API-kald
6. Udtrækker oplysninger
7. …

Det er imidlertid evnen til ud fra din prompt at vælge de rigtige værktøjer på hvert trin, der gør Datablists AI Research Agent til det bedste værktøj til AI-søgning på en liste.

Det svarer til at have en menneskelig researcher – bare hurtigere, mere præcis og mere konsekvent.

AI Processors kontra AI Research Agent

For at gøre forskellen endnu tydeligere kan vi sammenligne AI Research Agents med alternativet: en AI processor.

AI Processors

De fleste har på et tidspunkt brugt en AI-udvidelse i Excel eller Google Sheets. Det er grundlæggende applikationer, som bruger en LLM API til at arbejde i et afgrænset miljø – eksempelvis dit Excel-ark.

Som navnet antyder, behandler disse systemer data. De er optimeret til at arbejde med de data, du allerede har, uden at forlade miljøet. De bruges typisk til at:

1. Transformere data
2. Rense data
3. Redigere data

AI Research Agents

I modsætning til AI processors er AI research agents som dem i Datablist autonome systemer med faste rammer. De er udviklet til at interagere med omverdenen^[3]. De bruger også LLM'er, men kombinerer dem med flere værktøjer. Det gør dem i stand til at:

• Browse på internettet
• Udføre opgaver i flere trin
• Indsamle oplysninger fra forskellige kilder
• … og meget mere

💡 Enkelt og ligetil

Tænk på AI Research Agents som systemet, der udfører research i stor skala og henter eksterne data, mens AI processors hjælper dig med at arbejde videre med de data, du allerede har.

Derfor er en AI Research Agent vigtig

Mange opdager først værdien af en AI research agent, når de prøver den. Derfor forklarer jeg fordelene ved skalering af AI-søgning med udgangspunkt i den mest populære use case, vi hidtil har set: opbygning af lister til leadgenerering.

Problemet

Inden for leadgenerering kæmper de fleste med to problemer:

1. For få svar
2. For meget konkurrence

Det skyldes, at alle vil have leads, alle sender cold outreach, og de fleste overser, at relevans er afgørende – ikke pinlig personalisering. Relevans kan ikke skabes med generiske data, og derfor gælder følgende:

↳ Når du kun bruger B2B-databaser og simple scrapers

↳↳ Bruger du de samme data som alle andre

↳↳↳ Konkurrerer du om den samme pulje af prospects

↳↳↳↳ Med præcis de samme data som konkurrenterne

Resultatet er, at dit budskab som udgangspunkt bliver irrelevant.

Løsningen

Man løser bedst et problem, når man forstår årsagen. Den har vi nu på plads, så lad os se på, hvordan du gør dit budskab mere relevant for at:

1. Få flere svar
2. Skille dig ud fra konkurrenterne

Løsningen er ganske enkel: Gør op med irrelevansen. Hvordan?

↳ Skalér AI-søgning

↳↳ Find de data, der betyder noget

↳↳↳ Skil dig ud i indbakken

Det er mange allerede klar over, og derfor researcher de prospects og skriver hyperpersonaliserede beskeder manuelt. Men det kan gøres både lettere og hurtigere.

Skalering af prospect-research

Tænk over det et øjeblik: Dine prospects er ikke voldsomt unikke eller forskellige fra hinanden – og det er mine heller ikke. Det skyldes, at vi altid leder efter de samme datapunkter og karakteristika, når vi kvalificerer en prospect. Det kaldes også ICP-definition.

De datapunkter, der hjælper os med at definere vores ICP, er som regel også dem, der gør det muligt at formulere et relevant budskab. Hvis du baserer datapunkterne på skræddersyet research frem for databaser, har du en klar fordel.

Har du en liste med tusindvis af virksomheder, du vil kontakte, er det derfor oplagt at skalere AI-søgningen og finde relevante, præcise oplysninger om dem alle.

AI-søgning i stor skala kan naturligvis bruges til andet end opbygning af leadlister. I næste afsnit får du flere idéer til, hvad du kan gøre.

Det kan du bruge AI Research Agent til

Mulighederne med en AI Research Agent er næsten uendelige. Grundlæggende kan den bruges til alt det, du normalt bruger AI-søgning til – bare i stor skala. Lad os begynde med nogle af de mest almindelige og effektive use cases.

P.S. Datablist tilbyder også færdige templates, så du nemt kan komme i gang.

• Kontekstbaseret domænesøgning: Et virksomhedsnavn er ikke altid nok til at finde det rigtige website. Navne som "Apollo LLC" eller "Pioneer GmbH" kan dække over tusindvis af virksomheder. Giver du kontekst som branche eller placering, kan AI Research Agent foretage en målrettet søgning og identificere det korrekte domæne, ligesom et menneske ville gøre.
• Scraping af kundecases: AI Research Agent kan besøge en liste over virksomhedswebsites, finde deres kundecases eller portfoliosider og udtrække centrale oplysninger som kundens navn, projektdetaljer og meget mere.
• Udtræk af Amazon-produktdata: Har du en liste med Amazon-produkter, kan du bruge Datablists AI Research Agent til at udtrække produkternes oplysninger.

Alle opgaverne ovenfor ville tage timevis, hvis AI-søgningen ikke kunne skaleres. Vil du bruge AI Research Agent til en af dem, finder du de relevante guides her:

1. Sådan finder du domæner ud fra et virksomhedsnavn
2. Sådan scraper du kundecases
3. Sådan udtrækker du produkter fra Amazon

Kundernes egne use cases

Ud over vores templates bruger kunderne AI Research Agent til alle mulige skræddersyede researchopgaver. Kreativiteten er reelt den eneste begrænsning. Her er nogle af mine favoritter:

• Find den nyeste forskning: Find links til de seneste forskningsartikler eller publikationer fra en bestemt virksomhed eller forskningsinstitution.
• Find medarbejdere, der ikke står på LinkedIn: Identificér teammedlemmer via virksomhedswebsites, pressemeddelelser, konferencers talerlister osv.
• Identificér førstegangs-CEO'er: Undersøg en leders karrierehistorik for at afgøre, om det er personens første CEO-rolle.
• Afdæk hospitalers ejerforhold: Find ud af, om en sundhedsinstitution er privatejet eller offentligt ejet.
• Følg omtale i medierne: Undersøg, om en virksomhed for nylig er blevet omtalt i nyhedsartikler, pressemeddelelser eller branchemedier.

Nu har vi gennemgået nogle praktiske anvendelser. Lad os se nærmere på AI Research Agents konkrete funktioner og begrænsninger.

💡 Kun kreativiteten sætter grænser

Eksemplerne i artiklen er blot en lille del af det, AI Research Agent kan bruges til. Har du en idé, kan vi hjælpe dig med at bygge den prompt, der gør den til virkelighed.

AI Research Agent: funktioner og begrænsninger

Hvis du vil bruge et værktøj effektivt, er det vigtigt at vide, hvad det kan og ikke kan. Her får du et overskueligt indblik i mulighederne og begrænsningerne i Datablists AI Research Agent.

Vil du sammenligne platforme, skelner vores guide til Claygent-alternativer mellem dokumenterede workflows og målte stikprøveresultater og viser, hvordan du sammenligner prisen pr. godkendt svar.

Det kan værktøjet

Datablists AI Research Agent er udviklet til at efterligne og automatisere en menneskelig researchers opgaver. Den kan eksempelvis:

1. Køre AI-søgning i stor skala: Udføre skræddersyede researchforespørgsler på tværs af hele regneark.
2. Vurdere oplysningernes kvalitet: Agenten bedømmer relevansen af de oplysninger, den finder, filtrerer støj fra og fokuserer på det væsentlige.
3. Angive confidence scores: Datablists AI Research Agent giver hvert resultat en confidence score fra 0 til 100. Det hjælper dig med hurtigt at se, hvilke resultater der er mest pålidelige – især ved komplekse researchopgaver.
4. Udføre opgaver i flere trin: Du kan give agenten et komplekst mål, der kræver flere handlinger, eksempelvis: "Find karrieresiden, søg efter marketingstillinger, udtræk jobtitlerne, og opsummér beskrivelserne."
5. Forstå kontekst: Agenten matcher ikke blot søgeord. Den forstår den kontekst, du giver, så den kan skelne mellem virksomheder med lignende navne eller finde oplysninger, der ikke står direkte på siden.
6. Udtrække specifikke data: Du kan bede agenten hente meget konkrete oplysninger fra en webside, eksempelvis en virksomheds mission fra siden "Om os" eller produktoplysninger fra Amazon.
7. Levere tilpassede svar: I stedet for blot at returnere rådata kan agenten sammenfatte oplysninger og besvare et konkret spørgsmål som: "Har virksomheden en produktionsfacilitet i Tyskland?"

Som alle andre værktøjer har AI Research Agent begrænsninger. Kender du dem, kan du opstille realistiske forventninger og bygge effektive workflows.

1. Scrape indhold bag login: Agenten kan ikke tilgå oplysninger, der er beskyttet med brugernavn og adgangskode. Det gælder blandt andet private profiler på sociale medier, fora kun for medlemmer og interne virksomhedsdashboards.
2. Tilgå bestemte websites: Nogle websites har effektive mekanismer, der blokerer automatiserede værktøjer og scrapers. Agenten kan tilgå langt størstedelen af det offentlige internet, men kan blive blokeret af et mindre antal særligt beskyttede websites.
3. Garantere 100 % nøjagtighed: AI Research Agent er meget præcis og leverer confidence scores, men det er stadig et AI-system, som lejlighedsvis kan fejlfortolke oplysninger eller overse nuancer – især ved opgaver med mere end fem-seks trin.
4. Interagere med formularer eller CAPTCHA: Agenten kan ikke udfylde webformularer, indsende data eller løse CAPTCHA-opgaver. Den er udviklet til at læse og udtrække oplysninger, ikke til interaktive webopgaver.

Det er nu muligt at skalere AI-søgning i et regneark – så hvorfor fortsætte med at søge manuelt?

Manuel research er en flaskehals, der dræber produktiviteten og giver svingende resultater.

AI Research Agents løser problemet ved at sætte dataindsamlingen på autopilot. Hvis de oplysninger, du søger, ikke er stærkt nuancerede og ikke kræver menneskelig kontrol hver gang, bør du sandsynligvis bruge en AI Agent og udføre din research i stor skala.

Med AI Research Agents, der kan udføre komplekse opgaver i flere trin, kan du:

• Få de data, der betyder noget: Skalér AI-søgning på tværs af tusindvis af rækker
• Spare hundredvis af timer: Automatisér opgaver, der tidligere krævede flere ugers manuelt arbejde
• Skabe bedre personalisering: Indsaml unikke datapunkter, der gør din outreach svær at ignorere
• Bygge bedre leadlister: Kvalificér prospects efter kriterier, som ingen database kan levere
• Udtrække data overalt: Scrape en liste over websites med naturligt sprog i stedet for kode

Dine konkurrenter sover ikke, vores konkurrenter sover ikke, og det gør vi heller ikke.

Værktøjerne findes allerede – nu handler det om, hvem der bruger dem bedst!

Ofte stillede spørgsmål om skalering af AI-søgning

Er det svært at bruge en AI Research Agent?

Slet ikke. Med platforme som Datablist kræver det ingen særlige kompetencer ud over evnen til at beskrive, hvad du vil opnå. Vi tilbyder også færdige templates til almindelige use cases som at finde kundecases eller foretage kontekstbaserede domænesøgninger. Til egne opgaver skal du blot skrive en enkel prompt i almindeligt sprog, som beskriver dit behov.

Kan AI Research Agent finde kontaktoplysninger?

Nej. AI Research Agent er udviklet til webresearch og udtræk af data fra websites. Til kontaktoplysninger som e-mailadresser og telefonnumre tilbyder Datablist specialiserede enrichment-værktøjer såsom vores Waterfall Email Finder, der kombinerer flere dataudbydere for at maksimere dækningen.

Hvordan adskiller en AI Research Agent sig fra ChatGPT?

Begge bruger store sprogmodeller, men de har forskellige funktioner. ChatGPT er en samtalebaseret AI, der er udviklet til at besvare spørgsmål ud fra sine træningsdata. En AI Research Agent er et funktionelt værktøj, der kan browse aktivt på det aktuelle internet, besøge bestemte websites og udtrække nye oplysninger i realtid for at løse en opgave.

Hvad er en AI Research Agent?

En AI Research Agent er et autonomt system, der kan forstå et mål, browse på internettet og udføre research i flere trin for at finde, udtrække og sammenfatte oplysninger. I modsætning til en simpel web scraper kan den forstå kontekst og tilpasse sin fremgangsmåde for at nå et komplekst mål.

Hvordan skriver jeg en god prompt til AI Research Agent?

De bedste prompts er klare, specifikke og indeholder relevant kontekst. Brug denne enkle model:

1. Beskriv målet: Definér tydeligt, hvad agenten skal finde.
2. Giv kontekst: Angiv udgangspunktet, eksempelvis en virksomheds website.
3. Sæt rammer: Fortæl agenten, hvad den skal og ikke skal gøre (eksempelvis: "Angiv kun projektnavnet – ingen introduktion eller forklaring").
4. Definér outputtet: Angiv præcist, hvilket format dataene skal leveres i.

Hvordan kører jeg AI-søgning på en liste?

Hvis du vil køre AI-søgning på en liste, kan du bruge en AI Research Agent som Datablist, der kører ChatGPT-lignende søgninger på tværs af regneark. Upload dine data, skriv en prompt med det, der skal findes, og lad agenten udføre den samme researchforespørgsel automatisk for hver række. Dermed slipper du for manuel copy-paste og kan skalere Perplexity-lignende søgning til tusindvis af poster på én gang.

Kan AI-søgning skaleres?

Ja. Du kan skalere AI-søgning med Datablists AI Research Agents, som arbejder direkte på et regneark. Dermed behøver du ikke udføre én søgning ad gangen i en chatbot, fordi agenterne kan køre den samme kontekstbaserede researchforespørgsel på hele lister med op til 100.000 poster. Det omdanner timevis af manuelle ChatGPT-søgninger til få minutters automatiseret og ensartet research.

Hvordan kører jeg Perplexity-lignende søgning i et regneark?

Du kan køre Perplexity-lignende søgning i regneark med Datablists AI Research Agent, som browser på internettet, besøger websites og automatisk udtrækker oplysninger for hver række. Du skal blot levere dine data og en tydelig prompt, der beskriver, hvad agenten skal finde. Hver række behandles som en separat, kontekstbaseret søgning, så du får ensartede resultater uden manuelt arbejde.

Kilder

• [1] Sammenlignende analyse, der viser, at traditionelle søgemaskiner i høj grad baserer sig på match af søgeord og har svært ved at forstå nuancerede menneskelige intentioner, mens AI-baseret søgning bruger machine learning til mere intelligente og kontekstbaserede resultater

• [2] NBER-arbejdspapiret "Shifting Work Patterns with Generative AI", som dokumenterer markante produktivitetsforbedringer og tidsbesparelser, når vidensarbejdere tager generative AI-værktøjer i brug, baseret på et seks måneder langt feltstudie med over 7.000 medarbejdere

• [3] ArXiv-forskningsartiklen "Agent Q: Advanced Reasoning and Learning for Autonomous AI Agents", som viser, hvordan AI-agenter ræsonnerer i flere trin og træffer selvstændige beslutninger i interaktive miljøer – ud over mulighederne i traditionelle, statiske AI-systemer

• [4] McKinsey Global Institutes estimat om, at vidensarbejdere bruger omkring 19 % af deres tid på at søge efter og indsamle oplysninger

Kør planlagt research direkte i et regneark

Auto-Run kræver en cloud-synkroniseret collection og adgang til automation på dit abonnement. Ved tilbagevendende virksomhedsresearch bør du begynde med én række pr. virksomhed og properties som Company, Website og Country. Brug website og land som kontekst, så virksomheder med samme navn ikke så let forveksles.

1. Konfigurér AI Research Agent på din collection med et afgrænset researchspørgsmål, eksempelvis at finde virksomhedens seneste offentligt annoncerede produkt.
2. Definér outputs til resultat, udgivelsesdato og kilde-URL. Bed om, at felter uden dokumentation efterlades tomme frem for at blive udfyldt ud fra antagelser.
3. Kør agenten på et lille udvalg, og åbn kilde-URL'erne for at kontrollere resultaterne, før du udvider batchen.
4. Konfigurér et planlagt Auto-Run med frekvens, tidszone, filtre og en tydelig regel for eksisterende outputværdier. Ved en opdatering skal de relevante gamle outputs kunne overskrives; hvis kun tomme værdier udfyldes, bliver eksisterende data ikke opdateret.
5. Gennemgå fejl, manglende kilder og forældede resultater efter hver kørsel. En models confidence score kan ikke erstatte kontrol af dokumentationen.

Til opgaven med produktannonceringer kan du bruge denne prompt sammen med dine Company-, Website- og Country-properties:

Under Expected Outputs skal du tilføje Finding og Publication Date som Text samt Source URL som Url. Knyt hvert output til sin egen property i din collection. Text bevarer datoen, som den er skrevet, så du kan kontrollere tvetydige datoformater, før du konverterer dem.

I dit testbatch skal du åbne hver returneret annoncering og sammenligne produktnavnet og datoen med de tilknyttede felter. En udateret forside skal efterlade udgivelsesdatoen tom. At finde én annoncering beviser ikke, at der ikke findes en nyere side, som agenten ikke kan tilgå.

Læs Auto-Run-dokumentationen for regler om triggers og outputs. Planlagt research opdaterer de tilknyttede properties. Du bør ikke gå ud fra, at funktionen bevarer en komplet, append-only historik over alle tidligere svar. Gem daterede eksporter, eller opret et separat historik-workflow, hvis du har brug for et revisionsspor.

Der findes ingen universel gennemførelsestid for et batch. Adgangen til websites, antallet af researchtrin, modelvalget og credits påvirker processen. Test et repræsentativt udsnit, før du planlægger en stor tilbagevendende kørsel.