Slik skalerer du AI-søk med agenter og sparer tid

Manuell research holder bedrifter tilbake og svekker lønnsomheten.

Her er grunnen:

1. Det er en tidkrevende og repetitiv oppgave som ingen liker
2. Research tar mye tid, og som vi alle vet: Tid er penger
3. Kvaliteten og mengden på informasjonen som samles inn, varierer når arbeidet utføres av mennesker

Dette gjelder oss alle. Vi har alle brukt altfor mye tid på å lete etter informasjon på Google, selv om det egentlig ikke er det vi skal jobbe med. (McKinsey anslår at vi bruker 19 % av arbeidstiden på å søke etter informasjon^[4])

Det er her AI Research Agents kommer inn i bildet. De hjelper deg med å skalere AI-søk i et regneark, og denne guiden forklarer alt du trenger å vite – fra grunnleggende konsepter til praktiske bruksområder du kan ta i bruk allerede i dag.

📌 Kort oppsummert for deg som har dårlig tid

Skalerte AI-søk fjerner repetitiv research og manuell kopiering mellom nettsider og regneark. Datablists AI Research Agent kjører research-prompten din på hver valgte rad, søker på nettet og skriver svarene i de angitte resultatkolonnene.

Begynn med bedriftsnavn og nettsteder, definer hvilke fakta og kilde-URL-er du trenger, og kontroller et lite utvalg før du utvider. Bruk planlagt Auto-Run når du trenger regelmessige oppdateringer. Kontroller dokumentasjonen: AI-resultater kan være ufullstendige eller feil.

Dette lærer du i guiden

• Slik fungerer AI Research Agent og de viktigste konseptene
• Slik bruker du AI Research Agent til leadgenerering
• Funksjoner og begrensninger i AI Research Agent

Slik fungerer AI Research Agents

For å forstå fordelen med å skalere AI-søk må vi først se nærmere på AI research agents. Det gjør vi ved å sammenligne AI-søk med tradisjonelle søk.

Tradisjonelle søk

Dette er typen søk Google, Bing og andre søkemotorer har tilbudt i årevis. Den har vært – og er fortsatt – svært nyttig. Utfordringen er at søkemotorer ikke forstår nøyaktig hva du ønsker, fordi de baserer seg på:

1. Søkeord
2. Søkeintensjon
3. Kombinasjoner av søkeord

De analyserer ikke målet ditt eller resonnerer rundt det. I stedet forsøker de å finne samsvar^[1].

AI-søk

Det er dette alle satser på nå. Tenk på AI-søk som en samtale med en person som forsøker å finne svar vedkommende ikke allerede har.

Tidligere kunne AI bare dikte opp et svar. Nå søker AI etter informasjon, og den gjør det ganske godt fordi den kan:

1. Analysere hva du mener
2. Forstå målet ditt
3. Utforske problemet fra flere vinkler

Det beste med AI-søk er likevel at du slipper å finne, analysere og kopiere informasjonen selv, fordi AI-en besøker tusenvis av artikler, forskningsrapporter og produktsider og henter ut informasjonen du trenger.

Eksempler på AI-søkemotorer

• Claude
• Perplexity
• Google AI Mode
• ChatGPT search

Kort oppsummert slipper du med AI-søk å:

• Gjøre flere separate søk
• Lete etter relevante sider
• Åpne en rekke faner
• Hente ut informasjon manuelt
• Besøke nettsidene selv

Men selv om AI-søk er praktisk, er du fortsatt begrenset til én chatbot og ett søk om gangen.

Fordelene med AI Research Agents i Datablist

Tenk deg at du må finne ut:

• Når Anthropic AI ble grunnlagt
• Hvem som grunnla selskapet
• Hva det nyeste produktet deres er
• Hvordan brukere på Reddit reagerte på lanseringen

Med en tradisjonell søkemotor må du:

1. Gjøre flere søk
2. Åpne flere faner
3. Lese gjennom artikler
4. Kopiere all informasjonen manuelt inn i et regneark

Denne prosessen tar minst fem minutter for én bedrift. Hvis du trenger den samme informasjonen om 100 bedrifter, blir det 500 minutter – omtrent 8,3 timer med research.

Med AI-søk i en chatbot må du:

1. Skrive inn søket ditt
2. Vente på svar
3. Kopiere informasjonen inn i et regneark

Dette tar rundt tre minutter hvis du har en god prompt. Skalerer du opp til 100 søk, blir resultatet 300 minutter – fem timer med research.

Med Datablists AI Research Agent kjøres den samme prompten på de valgte radene, og de konfigurerte resultatene skrives tilbake til samlingen. Kontroller et utvalg før du utvider kjøringen.

Dette er mulig fordi Datablists AI Research Agents:

1. Kjører AI-søk i et regneark
2. Fjerner behovet for å kopiere og lime inn data
3. Ikke tvinger deg til å starte på nytt hver gang, slik en chatbot gjør

Det fungerer fordi Datablists AI Research Agents er utviklet for å skalere AI-søk.

Dette utgjør en stor forskjell fordi:

1. Agenten behandler hver rad i regnearket som et nytt søk, slik at kontekstminnet ikke fylles opp
2. Den setter egenskapene fra hver rad inn i den konfigurerte prompten
3. AI-agenten har tilgang til flere verktøy enn bare LLM-en og bruker dem til å fullføre oppgavene

📘 AI-søk i chatboter kontra Datablist

Det er ikke så stor forskjell mellom AI-søk i chatboter som Claude og ChatGPT og søk i Datablist, ettersom alle har flere funksjoner enn en tradisjonell LLM.

Den store forskjellen er at Datablists AI Research Agents kan kjøre den samme researchoppgaven på hele lister med poster, mens chatbotene er begrenset til ett søk om gangen.

Datablists AI Research Agent er en sveitsisk lommekniv

I Datablist er AI Research Agent mer enn et søkeverktøy. Det er en allsidig løsning for å skalere AI-søk. Du kan se på den som Claude, Perplexity eller ChatGPT koblet direkte til regnearket ditt, med mulighet til å:

1. Søke på Google og Google News
2. Besøke nettsider
3. Bla gjennom paginerte sider
4. Utføre oppgaver i flere trinn
5. Gjøre API-kall
6. Hente ut informasjon
7. …

Det som gjør Datablists AI Research Agent til det beste verktøyet for AI-søk i en liste, er evnen til å velge riktig verktøy i hvert trinn ut fra prompten din.

Det er som å ha en menneskelig researcher – bare raskere, mer presis og mer konsekvent.

AI Processors kontra AI Research Agent

For å gjøre forskjellen enda tydeligere kan vi sammenligne AI Research Agents med alternativet: en AI processor.

AI Processors

De fleste av oss har på et tidspunkt brukt en AI-utvidelse i Excel eller Google Sheets. Dette er grunnleggende applikasjoner som bruker et LLM-API til å arbeide i et kontrollert miljø, for eksempel et Excel-ark.

Som navnet antyder, behandler disse systemene data. De er optimalisert for å jobbe med dataene du allerede har, uten å forlate miljøet. De brukes som regel til å:

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

AI Research Agents

I motsetning til AI Processors er AI Research Agents, som dem du finner i Datablist, autonome systemer med tydelige rammer. De er utviklet for å samhandle med omverdenen^[3]. De bruker også LLM-er, men kombinerer dem med flere verktøy. Dermed kan de:

• Søke på internett
• Utføre oppgaver i flere trinn
• Samle informasjon fra ulike kilder
• … og mye mer

💡 Enkelt forklart

Tenk på AI Research Agents som systemet som gjør research i stor skala for å finne og hente inn eksterne data. AI Processors hjelper deg derimot med å bearbeide dataene du allerede har.

Derfor trenger du en AI Research Agent

Mange forstår ikke hvor nyttig en AI Research Agent er før de har prøvd en. Derfor forklarer jeg verdien av skalerte AI-søk gjennom det mest populære bruksområdet vi ser så langt: å bygge lister for leadgenerering.

Problemet

Innen leadgenerering sliter de fleste med to ting:

1. For få svar
2. For mye konkurranse

Alle vil ha leads, alle sender cold outreach, og mange forstår ikke at relevans er alt – ikke pinlig personalisering. Relevans kan ikke skapes med generiske data. Det betyr:

↳ Når du bare bruker B2B-databaser og enkle scrapers

↳↳ Bruker du de samme dataene som alle andre

↳↳↳ Konkurrerer du om den samme gruppen prospekter

↳↳↳↳ Med de samme dataene som alle andre bruker

Da blir budskapet ditt irrelevant allerede fra start.

Løsningen

For å løse et problem må du først forstå årsaken. Nå som vi har gjort det, kan jeg forklare hvordan du gjør budskapet mer relevant for å:

1. Få flere svar
2. Skille deg ut fra konkurrentene

Løsningen er ganske enkel: Fjern irrelevansen. Hvordan?

↳ Skaler AI-søk

↳↳ Finn data som faktisk betyr noe

↳↳↳ Skill deg ut i innboksen

Mange har allerede forstått dette. Derfor undersøker de prospektene sine og skriver hyperpersonaliserte meldinger manuelt. Men det kan også gjøres enklere og raskere.

Slik skalerer du research på prospekter

Tenk over dette et øyeblikk: Prospektene dine er ikke spesielt unike eller veldig forskjellige fra hverandre. Det samme gjelder mine. Grunnen er at vi alltid ser etter de samme datapunktene og kjennetegnene når vi kvalifiserer et prospekt, også kjent som å definere en ICP.

De samme datapunktene som hjelper oss med å definere ICP-en, er som regel også de som gjør budskapet relevant. Hvis du baserer disse datapunktene på skreddersydd research i stedet for databaser, får du et konkurransefortrinn.

Har du en liste med tusenvis av bedrifter du vil kontakte, er noe av det smarteste du kan gjøre å skalere AI-søk for å finne relevant og presis informasjon om alle bedriftene.

Skalerte AI-søk er selvfølgelig nyttige til mye mer enn å bygge leadlister. I neste del får du flere ideer til hva du kan bruke dem til.

Bruksområder for AI Research Agent

Mulighetene med en AI Research Agent er nesten ubegrensede. Du kan i praksis bruke den til alt du ellers ville brukt AI-søk til – bare i stor skala. La oss begynne med noen av de vanligste og mest effektive bruksområdene.

P.S. Datablist tilbyr også ferdige maler som gjør det så enkelt som mulig å komme i gang.

• Kontekstbasert domenesøk: Et bedriftsnavn er ikke alltid nok til å finne riktig nettsted. Navn som «Apollo AS» eller «Pioneer GmbH» kan vise til tusenvis av bedrifter. Hvis du legger til kontekst som bransje eller sted, kan AI Research Agent gjøre et målrettet søk og identifisere riktig domene på samme måte som et menneske ville gjort.
• Scraping av kundehistorier: AI Research Agent kan besøke en liste med bedriftsnettsteder, finne kundehistorier eller porteføljesider og hente ut sentral informasjon som kundenavn, prosjektdetaljer og mer.
• Uthenting av Amazon-produktdata: Har du en liste med Amazon-produkter, kan du bruke Datablists AI Research Agent til å hente ut detaljene for disse produktene.

Alle oppgavene ovenfor ville tatt flere timer uten muligheten til å skalere AI-søk. Vil du bruke AI Research Agent til noen av dem, finner du relevante guider her:

1. Slik finner du domener fra et bedriftsnavn
2. Slik scraper du kundehistorier
3. Slik henter du ut produktdata fra Amazon

Skreddersydde bruksområder fra kundene våre

I tillegg til malene våre bruker kundene AI Research Agent til en rekke skreddersydde researchoppgaver. Den eneste reelle begrensningen er kreativiteten. Her er noen av bruksområdene jeg likte spesielt godt:

• Finne den nyeste forskningen: Finn lenker til de nyeste forskningsartiklene eller publikasjonene fra en bestemt bedrift eller forskningsinstitusjon.
• Finne ansatte som ikke står på LinkedIn: Oppdag teammedlemmer via bedriftens nettsted, pressemeldinger, lister over konferanseforedragsholdere og lignende.
• Identifisere førstegangs-CEO-er: Undersøk karrierehistorikken til en leder for å finne ut om dette er personens første CEO-rolle.
• Kartlegge eierskapet til sykehus: Finn ut om en helseinstitusjon er privateid eller offentlig eid.
• Overvåke nylige medieomtaler: Finn ut om en bedrift nylig er omtalt i nyhetsartikler, pressemeldinger eller bransjepublikasjoner.

Nå som vi har sett på noen praktiske bruksområder, går vi videre til funksjonene og begrensningene i AI Research Agent.

💡 Bare kreativiteten setter grenser

Eksemplene i denne artikkelen viser bare en liten del av hva AI Research Agent kan gjøre. Har du en idé, kan vi hjelpe deg med å bygge prompten som gjør den mulig.

Funksjoner og begrensninger i AI Research Agent

For å bruke et verktøy effektivt må du vite hva det kan og ikke kan gjøre. Her får du en enkel oversikt over mulighetene og begrensningene i Datablists AI Research Agent.

Hvis du vil sammenligne plattformer, skiller guiden til Claygent-alternativer mellom dokumenterte workflows og målte resultater fra utvalg. Den viser også hvordan du sammenligner kostnaden per godkjente svar.

Dette kan AI Research Agent gjøre

Datablists AI Research Agent er utviklet for å etterligne og automatisere oppgavene til en menneskelig researcher. Den kan blant annet:

1. Kjøre AI-søk i stor skala: Utføre skreddersydde researchsøk i hele regneark.
2. Vurdere informasjonskvaliteten: Agenten vurderer relevansen til informasjonen den finner, filtrerer bort støy og fokuserer på det som betyr noe.
3. Gi en confidence score: For hvert resultat tildeler Datablists AI Research Agent en score fra 0 til 100. Det gjør det enklere å finne de mest pålitelige resultatene, særlig ved komplekse researchoppgaver.
4. Utføre oppgaver i flere trinn: Du kan gi agenten et sammensatt mål som krever flere trinn, for eksempel: «Finn karrieresiden, se etter markedsføringsstillinger, hent ut stillingstitlene og oppsummer beskrivelsene.»
5. Forstå kontekst: Agenten nøyer seg ikke med å matche søkeord. Den forstår konteksten du oppgir og kan derfor skille mellom bedrifter med lignende navn eller finne informasjon som ikke er uttrykt direkte.
6. Hente ut bestemte data: Du kan be agenten hente svært spesifikke opplysninger fra en nettside, for eksempel bedriftens formål fra «Om oss»-siden eller produktdetaljer fra Amazon.
7. Gi skreddersydde svar: I stedet for bare å returnere rådata kan agenten sammenstille informasjon og svare på konkrete spørsmål, som: «Har denne bedriften en fabrikk i Tyskland?»

Som alle andre verktøy har AI Research Agent begrensninger. Når du kjenner dem, blir det enklere å sette riktige forventninger og bygge effektive workflows.

1. Scrape innhold bak innlogging: Agenten får ikke tilgang til informasjon som er beskyttet med brukernavn og passord. Det gjelder blant annet private profiler i sosiale medier, medlemsfora og interne dashboards.
2. Få tilgang til enkelte nettsteder: Noen nettsteder har kraftige tiltak som blokkerer automatiserte verktøy og scrapers. Agenten får tilgang til det meste av det åpne nettet, men kan bli blokkert av enkelte nettsteder med særlig streng beskyttelse.
3. Garantere 100 % presisjon: AI Research Agent er svært presis og oppgir en confidence score, men er fortsatt et AI-system. Den kan av og til feiltolke informasjon eller overse nyanser, særlig hvis du gir den oppgaver som krever mer enn fem–seks trinn.
4. Samhandle med skjemaer eller CAPTCHA: Agenten kan ikke fylle ut nettskjemaer, sende inn data eller løse CAPTCHA-oppgaver. Den er utviklet for å lese og hente ut informasjon, ikke for interaktive oppgaver på nettet.

Nå som det er mulig å skalere AI-søk i et regneark, hvorfor fortsette å søke manuelt?

Manuell research er en flaskehals som dreper produktiviteten og gir ujevne resultater.

AI Research Agents løser dette problemet ved å automatisere datainnsamlingen. Hvis informasjonen du trenger ikke er svært nyansert og krever menneskelig kontroll hver eneste gang, bør du sannsynligvis bruke en AI Agent og gjøre research i stor skala.

Med AI Research Agents som utfører komplekse oppgaver i flere trinn, kan du:

• Få data som betyr noe: Skaler AI-søk på tusenvis av rader
• Spare hundrevis av timer: Automatiser arbeid som tidligere krevde flere uker med manuell innsats
• Personalisere kommunikasjonen: Samle unike datapunkter som gjør din outreach vanskelig å overse
• Bygge bedre leadlister: Kvalifiser prospekter etter kriterier ingen database kan tilby
• Hente data fra hvor som helst: Scrape en liste med nettsteder ved hjelp av naturlig språk i stedet for kode

Konkurrentene dine sover ikke, konkurrentene våre sover ikke, og vi sover heller ikke.

Verktøyene finnes allerede. Nå handler det om hvem som bruker dem best!

Ofte stilte spørsmål om skalerte AI-søk

Er det vanskelig å bruke en AI Research Agent?

Ikke i det hele tatt. Med plattformer som Datablist trenger du ingen spesielle ferdigheter utover å kunne beskrive hva du ønsker. Vi tilbyr også ferdige maler for vanlige bruksområder som å finne kundehistorier eller gjøre kontekstbaserte domenesøk. For skreddersydde oppgaver trenger du bare å skrive en enkel prompt i vanlig språk som beskriver hva du trenger.

Kan AI Research Agent finne kontaktinformasjon?

Nei. AI Research Agent er utviklet for research på nettet og uthenting av data fra nettsteder. For å finne kontaktinformasjon som e-postadresser og telefonnumre tilbyr Datablist spesialiserte enrichment-verktøy, blant annet Waterfall Email Finder, som kombinerer flere dataleverandører for å gi best mulig dekning.

Hva skiller en AI Research Agent fra ChatGPT?

Begge bruker store språkmodeller, men funksjonene er forskjellige. ChatGPT er en samtalebasert AI som er utviklet for å svare på spørsmål med utgangspunkt i treningsdataene sine. En AI Research Agent er et praktisk verktøy som kan søke aktivt på det åpne nettet, besøke bestemte nettsteder og hente ut ny informasjon i sanntid for å fullføre en oppgave.

Hva er en AI Research Agent?

En AI Research Agent er et autonomt system som kan forstå et mål, søke på internett og gjennomføre research i flere trinn for å finne, hente ut og sammenstille informasjon. I motsetning til en enkel web scraper kan agenten forstå kontekst og tilpasse fremgangsmåten for å nå et komplekst mål.

Hvordan skriver jeg en god prompt til AI Research Agent?

De beste promptene er tydelige, konkrete og inneholder nok kontekst. Her er et enkelt rammeverk:

1. Beskriv målet: Definer tydelig hva agenten skal finne.
2. Oppgi kontekst: Gi den et utgangspunkt, for eksempel bedriftens nettsted.
3. Sett rammer: Fortell agenten hva den skal og ikke skal gjøre, for eksempel: «Oppgi bare prosjektnavnet, uten introduksjoner eller forklaringer.»
4. Definer resultatet: Angi nøyaktig hvilket format du vil ha dataene i.

Hvordan gjør jeg AI-søk i en liste?

For å gjøre AI-søk i en liste bruker du en AI Research Agent som Datablist, som kjører ChatGPT-lignende søk i regneark. Last opp dataene dine, skriv en prompt som beskriver hva agenten skal finne, og la den kjøre det samme researchsøket automatisk på hver rad. Dermed slipper du manuell kopiering og kan skalere Perplexity-lignende søk til tusenvis av poster samtidig.

Er det mulig å skalere AI-søk?

Ja. Du kan skalere AI-søk med Datablists AI Research Agents, som arbeider direkte i et regneark. Dermed slipper du å gjøre ett søk om gangen i en chatbot. Agentene kjører det samme kontekstbaserte researchsøket på hele lister med opptil 100 000 poster. Arbeid som ellers ville krevd flere timer med manuelle ChatGPT-søk, kan dermed bli til minutter med automatisert og konsekvent research.

Hvordan kjører jeg Perplexity-lignende søk i et regneark?

Du kan kjøre Perplexity-lignende søk i regneark med Datablists AI Research Agent. Den søker på internett, besøker nettsteder og henter automatisk ut informasjon for hver rad. Du trenger bare å oppgi dataene dine og skrive en tydelig prompt som beskriver hva agenten skal finne. Agenten behandler hver rad som et eget kontekstbasert søk og leverer konsekvente resultater uten manuell innsats.

Kilder

• [1] Sammenlignende analyse som viser at tradisjonelle søkemotorer i stor grad baserer seg på samsvar mellom søkeord og har problemer med å forstå nyansert menneskelig intensjon, mens AI-baserte søk bruker maskinlæring til å levere smartere og mer kontekstbevisste resultater

• [2] NBER-rapporten «Shifting Work Patterns with Generative AI» dokumenterer betydelige produktivitetsgevinster og tidsbesparelser når kunnskapsarbeidere tar i bruk generative AI-verktøy, basert på et seks måneder langt felteksperiment med over 7 000 arbeidstakere

• [3] Forskningsartikkelen «Agent Q: Advanced Reasoning and Learning for Autonomous AI Agents» på ArXiv viser hvordan AI-agenter utfører resonnering i flere trinn og tar selvstendige beslutninger i interaktive miljøer, utover det tradisjonelle statiske AI-systemer kan gjøre

• [4] McKinsey Global Institute anslår at kunnskapsarbeidere bruker omtrent 19 % av arbeidstiden på å søke etter og samle inn informasjon

Kjør planlagt research i et regneark

Auto-Run krever en sky-synkronisert samling og tilgang til automatisering i abonnementet ditt. For regelmessig research på bedrifter bør du starte med én rad per bedrift og egenskaper som Company, Website og Country. Bruk nettsted og land som kontekst for å redusere risikoen for å forveksle bedrifter med samme navn.

1. Konfigurer AI Research Agent i samlingen med et avgrenset researchspørsmål, for eksempel å finne bedriftens nyeste offentlig annonserte produkt.
2. Definer resultater for funnet, publiseringsdatoen og kilde-URL-en. Be agenten la feltet stå tomt når dokumentasjon mangler, i stedet for å gjette.
3. Kjør et lite utvalg, og åpne kilde-URL-ene for å kontrollere funnene før du utvider kjøringen.
4. Konfigurer en planlagt Auto-Run med frekvens, tidssone, filtre og en tydelig regel for eksisterende resultatverdier. Ved en oppdatering må de aktuelle gamle resultatene kunne erstattes. Hvis du bare fyller tomme verdier, blir de ikke oppdatert.
5. Gå gjennom feil, manglende kilder og utdaterte funn etter hver kjøring. Modellens confidence score erstatter ikke kontroll av dokumentasjonen.

Bruk denne prompten med egenskapene Company, Website og Country til oppgaven med produktannonseringer:

Under Expected Outputs legger du til Finding og Publication Date som Text og Source URL som Url. Koble hvert resultat til en egen egenskap i samlingen. Text beholder datoen slik den er skrevet, slik at du kan kontrollere tvetydige datoformater før du konverterer dem.

I testutvalget åpner du hver returnerte annonsering og sammenligner produktnavnet og datoen med de tilknyttede feltene. En udaterert forside skal gi et tomt felt for publiseringsdato. Selv om agenten finner én annonsering, beviser ikke det at det ikke finnes en nyere side som er utilgjengelig.

Les referansen for Auto-Run for regler om triggere og resultater. Planlagte researchoppdateringer endrer de tilknyttede egenskapene. Du bør ikke anta at funksjonen bevarer en append-only-historikk over alle tidligere svar. Oppbevar daterte eksporter eller bruk en separat historikk-workflow hvis du trenger et revisjonsspor.

Det finnes ingen universell fullføringstid for en kjøring. Tilgang til nettsteder, antall researchtrinn, modellvalg og credits påvirker arbeidet. Test et representativt utvalg før du planlegger en stor, regelmessig kjøring.