Skala upp AI-sökning med agenter och spara tid

Manuell research gör företag fattigare och mindre lönsamma.

Här är varför:

1. Det är en monoton och repetitiv uppgift som ingen tycker om
2. Research tar mycket tid, och som vi alla vet är tid pengar
3. Kvaliteten och mängden på den insamlade informationen varierar när arbetet utförs av människor

Det här gäller oss alla. Vi har alla lagt alldeles för mycket tid på att leta information på Google, trots att det inte är det vi anställdes för. (Enligt McKinsey ägnar vi 19 % av vår tid åt att söka efter information^[4].)

Det är här AI Research Agents kommer in i bilden. De hjälper dig att skala upp AI-sökningar i ett kalkylark, och i den här guiden går vi igenom allt du behöver veta – från grundläggande koncept till praktiska användningsområden som du kan börja med redan i dag.

📌 Sammanfattning för dig som har bråttom

Skalbar AI-sökning tar bort repetitiv research och manuellt kopierande till kalkylark. Datablists AI Research Agent kör din research-prompt på varje vald rad, söker på webben och skriver svaren i dina output-kolumner.

Börja med företagsnamn och webbplatser, definiera vilka fakta och käll-URL:er du behöver och granska sedan ett mindre urval innan du skalar upp. Använd schemalagd Auto-Run när informationen behöver uppdateras regelbundet. Kontrollera alltid underlaget: AI-resultat kan vara ofullständiga eller felaktiga.

Det här går vi igenom

• Så fungerar AI Research Agent och dess grundkoncept
• Så kan du använda AI Research Agent för lead generation
• AI Research Agents funktioner och begränsningar

Så fungerar AI Research Agents

För att förstå fördelarna med att skala upp AI-sökningar behöver vi först förstå vad AI research agents är. Därför börjar vi med en snabb jämförelse mellan AI-sökning och traditionell sökning.

Traditionell sökning

Det här är vad Google, Bing och andra sökmotorer har gjort i många år. Det var användbart då och är det fortfarande. Problemet är bara att sökmotorer inte förstår vad du vill uppnå, eftersom de utgår från:

1. Sökord
2. Sökintention
3. Kombinationer av sökord

De analyserar inte ditt mål eller resonerar kring det, utan försöker hitta matchningar^[1].

AI-sökning

Det är dit alla söktjänster är på väg nu. Tänk dig AI-sökning som ett samtal med någon som försöker hitta svar som personen ännu inte har.

Tidigare kunde AI:n helt enkelt hitta på ett svar. Nu söker den efter svaret – och gör det ganska bra – eftersom den kan:

1. Analysera din avsikt
2. Förstå ditt mål
3. Testa olika angreppssätt

Det bästa med AI-sökning är dock att du slipper hitta, analysera och kopiera informationen själv, eftersom AI:n kan besöka tusentals artiklar, forskningsrapporter och produktsidor och hämta den information du behöver åt dig.

Exempel på AI-sökmotorer

• Claude
• Perplexity
• Google AI Mode
• ChatGPT search

Kort sagt slipper du följande med AI-sökning:

• Göra flera sökningar
• Leta efter relevanta sidor
• Öppna mängder av flikar
• Extrahera information
• Besöka webbsidor manuellt

Men hur smidigt det än är med AI-sökning är du fortfarande begränsad till en chatbot och en sökning i taget.

Fördelen med AI Research Agents i Datablist

Föreställ dig att du behöver ta reda på:

• När Anthropic AI grundades
• Vem som grundade företaget
• Vilken deras senaste produkt är
• Hur användare på Reddit reagerade på lanseringen

Med en traditionell sökmotor skulle du behöva:

1. Göra flera sökningar
2. Öppna flera flikar
3. Läsa igenom artiklar
4. Manuellt kopiera all information till ett kalkylark

Det skulle ta minst fem minuter för ett enda företag. Om du behöver samma information för 100 företag blir det 500 minuter ≈ 8,3 timmars research.

Med AI-sökning i en chatbot skulle du behöva:

1. Skriva din fråga
2. Vänta på ett svar
3. Kopiera informationen till ett kalkylark

Det skulle ta omkring tre minuter, förutsatt att du har en bra prompt. Men om du vill skala upp till 100 sökningar blir det 300 minuter = 5 timmars research.

Med Datablists AI Research Agent körs samma prompt på de valda raderna och konfigurerade resultat skrivs tillbaka till samlingen. Kontrollera ett urval innan du utökar batchen.

Det fungerar eftersom Datablists AI Research Agents:

1. Kör AI-sökningar i ett kalkylark
2. Tar bort behovet av att kopiera och klistra in data
3. Inte tvingar dig att börja om från början varje gång, som en chatbot gör

Det här är möjligt eftersom Datablists AI Research Agents är byggda för skalbar AI-sökning.

Det gör stor skillnad eftersom:

1. Agenten behandlar varje rad i kalkylarket som en ny fråga, vilket frigör kontextminne
2. Den infogar egenskaperna från varje rad i den konfigurerade prompten
3. AI-agenten har flera verktyg utöver sin LLM som den kan använda för att lösa uppgiften

📘 AI-sökning i chatbots jämfört med Datablist

Skillnaden mellan AI-sökningen i chatbots som Claude och ChatGPT och den i Datablist är inte särskilt stor, eftersom alla har fler funktioner än en traditionell LLM.

Den stora skillnaden är att Datablists AI Research Agents kan köra samma researchuppgift på hela listor med poster, medan chatbots är begränsade till en sökning i taget.

Datablists AI Research Agent är en schweizisk armékniv

I Datablist är AI Research Agent inte bara ett sökverktyg, utan en mångsidig maskin för att skala upp AI-sökningar. Tänk dig Claude, Perplexity eller ChatGPT direkt i ditt kalkylark, med möjlighet att:

1. Söka på Google och Google News
2. Besöka webbsidor
3. Bläddra igenom paginerade sidor
4. Utföra uppgifter i flera steg
5. Göra API-anrop
6. Extrahera information
7. …

Det som gör Datablists AI Research Agent till det bästa verktyget för AI-sökning i listor är dess förmåga att, utifrån din prompt, avgöra vilket verktyg som behövs i varje steg.

Det är som att ha en mänsklig researcher – fast snabbare, mer träffsäker och mer konsekvent.

AI Processors jämfört med AI Research Agent

Ett annat sätt att förklara AI Research Agents är att jämföra dem med alternativet: en AI processor.

AI Processors

De flesta har någon gång använt ett AI-tillägg i Excel eller Google Sheets. Det är enkla applikationer som använder ett LLM-API för att arbeta i en kontrollerad miljö, till exempel ditt Excel-ark.

Som namnet antyder bearbetar dessa system data. De är optimerade för att arbeta med den data du redan har utan att lämna den aktuella miljön. De används oftast för att:

1. Transformera data
2. Rensa data
3. Redigera data

AI Research Agents

Till skillnad från AI processors är AI research agents, som de i Datablist, autonoma system som arbetar inom vissa ramar och är byggda för att interagera med omvärlden^[3]. De använder också LLM:er, men kombinerar dem med fler verktyg. Det gör att de kan:

• Surfa på internet
• Utföra uppgifter i flera steg
• Samla information från olika källor
• … och mycket mer

💡 Enkelt förklarat

Se AI Research Agents som system som gör research i stor skala för att hitta och hämta extern data. AI processors hjälper dig i stället att arbeta med data som du redan har.

Därför behöver du en AI Research Agent

Många inser inte värdet av en AI research agent förrän de har provat en. Därför förklarar jag nyttan med skalbar AI-sökning utifrån det vanligaste användningsområdet vi hittills sett: att bygga listor för lead generation.

Problemet

Inom lead generation har de flesta två problem:

1. För få svar
2. För mycket konkurrens

Det beror på att alla vill ha leads, alla skickar cold outreach och många missar att relevans är allt – inte krystad personalisering. Eftersom relevans inte går att skapa med generisk data innebär det följande:

↳ När du bara använder B2B-databaser och enkla scrapers

↳↳ Använder du samma data som alla andra

↳↳↳ Konkurrerar du om samma pool av prospects

↳↳↳↳ Med exakt samma data som alla andra använder

Då blir ditt budskap irrelevant redan från början.

Lösningen

För att lösa ett problem behöver man först förstå orsaken. Nu när den är tydlig kan vi titta på hur du gör ditt budskap mer relevant för att:

1. Få fler svar
2. Ta dig ur den värsta konkurrensen

Lösningen är enkel: åtgärda relevansproblemet. Hur?

↳ Skala upp AI-sökningen

↳↳ Hämta data som faktiskt spelar roll

↳↳↳ Stick ut i mottagarens inkorg

Många känner redan till detta och gör därför manuell research om sina prospects för att skriva hyperpersonaliserade meddelanden. Men det kan göras både enklare och snabbare.

Skala upp research om prospects

Tänk efter en stund: Dina prospects är inte särskilt unika och skiljer sig inte så mycket från varandra. Detsamma gäller mina. Anledningen är att vi alltid letar efter samma datapunkter och egenskaper för att kvalificera en prospect – det som också kallas ICP definition.

Samma datapunkter som hjälper oss att definiera vår ICP hjälper oss ofta att skriva relevanta meddelanden. Om du baserar dessa datapunkter på skräddarsydd research i stället för databaser har du ett försprång.

Om du har en lista med tusentals företag som du vill kontakta är det bästa du kan göra därför att köra AI-sökningar i stor skala och hitta relevant, träffsäker information för hela listan.

Självklart kan skalbar AI-sökning användas till mycket mer än att bygga lead-listor. I nästa avsnitt får du fler idéer.

Användningsområden för AI Research Agent

Möjligheterna med en AI Research Agent är nästan obegränsade. I princip kan du använda den till allt som AI-sökning klarar av, fast i stor skala. Vi börjar med några av de vanligaste och mest effektiva användningsområdena.

P.S. Datablist erbjuder även färdiga templates så att du snabbt kommer igång.

• Kontextbaserad domänsökning: Ibland räcker ett företagsnamn inte för att hitta rätt webbplats. Namn som ”Apollo AB” eller ”Pioneer GmbH” kan avse tusentals företag. Genom att lägga till kontext, exempelvis bransch eller plats, kan AI Research Agent göra en riktad sökning och identifiera rätt domän precis som en människa skulle göra.
• Scraping av kundcase: AI Research Agent kan besöka en lista med företagswebbplatser, hitta deras kundcase eller portfoliosidor och extrahera viktig information som kundens namn, projektdetaljer och mycket mer.
• Extrahera produktinformation från Amazon: Om du har en lista med Amazon-produkter kan du använda Datablists AI Research Agent för att extrahera information om produkterna.

Alla uppgifter ovan skulle ta timmar att utföra utan AI-sökning i stor skala. Om du vill använda AI Research Agent till någon av dem hittar du relevanta guider här:

1. Så hittar du domäner utifrån ett företagsnamn
2. Så scrapar du kundcase
3. Så extraherar du produkter från Amazon

Kundernas egna användningsområden

Utöver våra templates använder kunderna AI Research Agent till alla möjliga skräddarsydda researchuppgifter. Kreativiteten är egentligen den enda begränsningen. Här är några användningsområden som jag fastnade för:

• Hitta de senaste forskningsrapporterna: Hitta länkar till de senaste forskningsrapporterna eller publikationerna från ett specifikt företag eller forskningsinstitut.
• Hitta medarbetare som inte finns på LinkedIn: Upptäck teammedlemmar via företagswebbplatser, pressmeddelanden, talarlistor för konferenser med mera.
• Identifiera förstagångs-vd:ar: Undersök en ledares karriärhistorik för att avgöra om det är personens första vd-roll.
• Fastställa ägarstrukturen för sjukhus: Ta reda på om en vårdinrättning är privatägd eller offentligt ägd.
• Bevaka nya omnämnanden i media: Identifiera om ett företag nyligen har förekommit i nyhetsartiklar, pressmeddelanden eller branschpublikationer.

Nu när vi har gått igenom några praktiska användningsområden är det dags att titta närmare på AI Research Agents specifika funktioner och begränsningar.

💡 Bara kreativiteten sätter gränser

Exemplen i den här artikeln är bara en bråkdel av allt AI Research Agent kan göra. Om du har en idé kan vi hjälpa dig att bygga en prompt som förverkligar den.

AI Research Agent: funktioner och begränsningar

För att använda ett verktyg effektivt behöver du förstå vad det kan och inte kan göra. Här får du en tydlig överblick över möjligheterna och begränsningarna i Datablists AI Research Agent.

Om du vill jämföra olika plattformar skiljer vår guide till Claygent-alternativ mellan dokumenterade workflows och uppmätta testresultat samt visar hur du jämför kostnaden per godkänt svar.

Det här kan agenten göra

Datablists AI Research Agent är utformad för att efterlikna och automatisera en mänsklig researchers arbete. Den kan till exempel:

1. Köra AI-sökningar i stor skala: Köra anpassade researchfrågor i hela kalkylark.
2. Bedöma informationskvalitet: Agenten bedömer och poängsätter hur relevant informationen är, filtrerar bort brus och fokuserar på det viktiga.
3. Ge en confidence score: För varje resultat tilldelar Datablists AI Research Agent en confidence score mellan 0 och 100. Det hjälper dig att snabbt se vilka resultat som är mest tillförlitliga, vilket är särskilt värdefullt vid komplex research.
4. Utföra uppgifter i flera steg: Du kan ge agenten ett komplext mål som kräver flera steg, till exempel ”Hitta karriärsidan, leta efter marknadsföringsroller, extrahera jobbtitlarna och sammanfatta beskrivningarna.”
5. Förstå kontext: Agenten matchar inte bara sökord. Den förstår den kontext du anger och kan därför skilja mellan företag med liknande namn eller hitta information som inte uttrycks explicit.
6. Extrahera specifika data: Du kan be agenten hämta mycket specifik information från en webbsida, exempelvis ett företags mission statement från sidan ”About Us” eller produktinformation från Amazon.
7. Ge skräddarsydda svar: I stället för att bara returnera rådata kan agenten sammanställa information och besvara en direkt fråga, som ”Har det här företaget en fabrik i Tyskland?”

Precis som alla andra verktyg har AI Research Agent begränsningar. När du känner till dem kan du sätta rätt förväntningar och bygga effektiva workflows.

1. Scrapa innehåll bakom inloggning: Agenten kommer inte åt information som skyddas av användarnamn och lösenord. Det gäller bland annat privata profiler på sociala medier, forum för medlemmar och interna företagsdashboards.
2. Komma åt vissa webbplatser: En del webbplatser har kraftfulla skydd mot automatiserade verktyg och scrapers. Agenten kommer åt den stora merparten av den publika webben, men kan blockeras av ett mindre antal hårt skyddade sajter.
3. Garantera 100 % träffsäkerhet: AI Research Agent har hög träffsäkerhet och ger en confidence score, men är fortfarande ett AI-system. Det kan ibland misstolka information eller missa nyanser, särskilt om uppgiften kräver fler än fem eller sex steg.
4. Interagera med formulär eller CAPTCHA: Agenten kan inte fylla i webbformulär, skicka data eller lösa CAPTCHA-utmaningar. Den är byggd för att läsa och extrahera information, inte för interaktiva webbuppgifter.

Nu går det att skala upp AI-sökningar i ett kalkylark – så varför fortsätta söka manuellt?

Manuell research är en flaskhals som sänker produktiviteten och leder till ojämna resultat.

AI Research Agents löser problemet genom att automatisera datainsamlingen. Om informationen du behöver inte är mycket nyanserad och inte kräver mänsklig verifiering varje gång bör du sannolikt använda en AI Agent och göra research i stor skala.

Med AI Research Agents som utför komplexa uppgifter i flera steg kan du:

• Få data som spelar roll: Skala upp AI-sökningar till tusentals rader
• Spara hundratals timmar: Automatisera arbete som tidigare krävde veckor av manuell research
• Personalisera bättre: Samla unika datapunkter som gör din outreach svår att ignorera
• Bygga bättre lead-listor: Kvalificera prospects utifrån kriterier som ingen databas kan erbjuda
• Extrahera data varifrån som helst: Scrapa en lista med webbplatser med naturligt språk i stället för kod

Dina konkurrenter sover inte, våra konkurrenter sover inte – och vi gör det inte heller.

Verktygen finns redan. Nu handlar det om vem som använder dem bäst!

Vanliga frågor om skalbar AI-sökning

Är det svårt att använda en AI Research Agent?

Inte alls. Med plattformar som Datablist behöver du inga särskilda kunskaper utöver att kunna beskriva vad du vill ha. Vi erbjuder även färdiga templates för vanliga användningsområden, som att hitta kundcase eller göra kontextbaserade domänsökningar. För skräddarsydda uppgifter behöver du bara skriva en enkel prompt på vanligt språk som beskriver vad du behöver.

Kan AI Research Agent hitta kontaktuppgifter?

Nej, AI Research Agent är utformad för webbresearch och för att extrahera data från webbplatser. För att hitta kontaktuppgifter som e-postadresser och telefonnummer erbjuder Datablist specialiserade enrichment-verktyg, exempelvis Waterfall Email Finder, som kopplar samman flera dataleverantörer för maximal täckning.

Vad skiljer en AI Research Agent från ChatGPT?

Båda använder stora språkmodeller, men de fyller olika funktioner. ChatGPT är en konversationsbaserad AI som har utformats för att besvara frågor utifrån träningsdata. En AI Research Agent är ett funktionellt verktyg som kan aktivt surfa på den aktuella webben, besöka specifika webbplatser och extrahera ny information i realtid för att slutföra en uppgift.

Vad är en AI Research Agent?

En AI Research Agent är ett autonomt system som kan förstå ett mål, surfa på internet och utföra research i flera steg för att hitta, extrahera och sammanställa information. Till skillnad från en enkel web scraper kan den förstå kontext och anpassa sitt arbetssätt för att nå ett komplext mål.

Hur skriver jag en bra prompt för AI Research Agent?

De bästa promptarna är tydliga, specifika och innehåller relevant kontext. Här är ett enkelt ramverk:

1. Ange målet: Definiera tydligt vad agenten ska hitta.
2. Ge kontext: Ange en utgångspunkt, till exempel ett företags webbplats.
3. Sätt ramar: Berätta vad agenten ska och inte ska göra (till exempel: ”Ge mig bara projektnamnet, utan introduktioner eller förklaringar”).
4. Definiera output: Ange exakt vilket format du vill ha informationen i.

Hur kör jag AI-sökning på en lista?

För att köra AI-sökningar på en lista använder du en AI Research Agent som Datablist, som kan göra ChatGPT-liknande sökningar i kalkylark. Ladda upp dina data, skriv en prompt som anger vad agenten ska hitta och låt den automatiskt köra samma researchfråga på varje rad. Det tar bort manuellt kopierande och skalar upp Perplexity-liknande sökning till tusentals poster samtidigt.

Går det att skala upp AI-sökning?

Ja, med Datablists AI Research Agents kan du skala upp AI-sökningar direkt i ett kalkylark. Du slipper göra en sökning i taget i olika chatbots, eftersom agenterna kör samma kontextbaserade researchfråga på hela listor med upp till 100 000 poster. Det förvandlar flera timmars manuella ChatGPT-sökningar till några minuters automatiserad och konsekvent research.

Hur kör jag Perplexity-liknande sökning i ett kalkylark?

Du kan köra Perplexity-liknande sökning i kalkylark med Datablists AI Research Agent, som automatiskt surfar på internet, besöker webbplatser och extraherar information för varje rad. Lägg bara till dina data och en tydlig prompt som beskriver vad agenten ska hitta. Agenten behandlar varje rad som en separat kontextbaserad sökning och levererar konsekventa resultat utan manuellt arbete.

Källor

• [1] Jämförande analys som visar att traditionella sökmotorer i hög grad bygger på sökordsmatchning och har svårt att förstå nyanserad mänsklig avsikt, medan AI-baserad sökning använder maskininlärning för smartare och mer kontextmedvetna resultat

• [2] NBER:s working paper ”Shifting Work Patterns with Generative AI” visar betydande produktivitetsvinster och tidsbesparingar när kunskapsarbetare använder generativa AI-verktyg, baserat på ett sex månader långt fältexperiment med över 7 000 deltagare

• [3] Forskningsrapporten ”Agent Q: Advanced Reasoning and Learning for Autonomous AI Agents” på ArXiv visar hur AI-agenter resonerar i flera steg och fattar autonoma beslut i interaktiva miljöer, till skillnad från traditionella statiska AI-system

• [4] McKinsey Global Institute uppskattar att kunskapsarbetare ägnar omkring 19 % av sin tid åt att söka efter och samla information

Kör schemalagd research i ett kalkylark

Auto-Run kräver en molnsynkroniserad samling och att automation ingår i ditt abonnemang. För återkommande företagsresearch börjar du med en rad per företag och egenskaper som Company, Website och Country. Använd webbplats och land som kontext för att minska risken att företag med samma namn förväxlas.

1. Konfigurera AI Research Agent för samlingen med en avgränsad researchfråga, exempelvis att hitta företagets senast offentliggjorda produkt.
2. Definiera output för resultat, publiceringsdatum och käll-URL. Be agenten att lämna fält tomma när underlag saknas i stället för att dra egna slutsatser.
3. Kör ett mindre urval och öppna käll-URL:erna för att kontrollera resultaten innan du utökar batchen.
4. Konfigurera en schemalagd Auto-Run med frekvens, tidszon, filter och en uttrycklig regel för befintliga output-värden. Vid en uppdatering måste relevanta gamla värden få ersättas; om bara tomma fält fylls uppdateras inte befintliga värden.
5. Granska fel, saknade källor och inaktuella resultat efter varje körning. Modellens confidence score ersätter inte en kontroll av underlaget.

Använd följande prompt för uppgiften om produktlanseringar tillsammans med egenskaperna Company, Website och Country:

Under Expected Outputs lägger du till Finding och Publication Date som Text samt Source URL som Url. Mappa varje output till en egen egenskap i samlingen. Med Text behålls datumet i sitt ursprungliga format, så att du kan granska tvetydiga datumformat innan du konverterar dem.

För testbatchen öppnar du varje returnerat produktmeddelande och jämför produktnamnet och datumet med de mappade fälten. En odaterad startsida ska lämna publiceringsdatumet tomt. Att ett produktmeddelande har hittats bevisar inte att det saknas en nyare sida som agenten inte kommer åt.

Läs referensen för Auto-Run för regler om triggers och output. Schemalagd research uppdaterar de mappade egenskaperna. Utgå inte från att den bevarar en oföränderlig historik över alla tidigare svar. Spara daterade exporter eller använd ett separat historik-workflow om du behöver ett revisionsspår.

Det finns ingen universell slutförandetid för en batch. Åtkomst till webbplatser, antal researchsteg, modellval och credits påverkar arbetet. Testa ett representativt urval innan du planerar en stor återkommande körning.