AI-agent til prisestimering og tilbud: Sådan automatiseres salgsprocessen

En AI-agent til prisestimering og tilbud er et softwaresystem der selvstændigt kan læse en kundeforespørgsel, trække priser fra jeres systemer, beregne tidsforbrug baseret på tidligere projekter og generere et færdigt tilbudsudkast — uden at en sælger skal åbne et regneark. For danske SMV’er der sender 20+ tilbud om måneden betyder det typisk en reduktion fra 45 minutter til 10 minutter per tilbud, baseret på erfaringer fra implementeringsprojekter i installations- og rådgivningsbranchen.

I denne guide gennemgår vi hvordan en AI-tilbudsagent faktisk fungerer, hvilke data den skal have adgang til, hvad den koster at bygge, og hvordan du vurderer om det giver mening for jer. Og vigtigst: vi viser arkitekturen på et rigtigt flow, ikke bare teorien.

Hvad er en AI-agent til prisestimering og tilbud?

AI-tilbudsagent: Et system der kombinerer en sprogmodel (LLM), adgang til jeres historiske data og prisliste, og handlingsevne til at generere et tilbudsudkast selvstændigt. I modsætning til en skabelon eller en chatbot udfører agenten selve arbejdet — den henter data, laver beregninger og producerer outputtet.

Forskellen på en AI-agent og andre automatiseringsværktøjer er beslutningsevnen. En tilbudsskabelon er en form du udfylder. En chatbot er et script der svarer på spørgsmål. En AI-agent modtager et mål — “lav et tilbud på denne forespørgsel” — og finder selv vejen derhen: læser mailen, klassificerer forespørgslen, trækker relevante historiske projekter, beregner pris, genererer tekst og lægger det i udkast i jeres CRM.

Hvis du vil forstå den bredere kontekst for AI-agenter i virksomheder, har vi skrevet en grundig introduktion til AI-agenter og deres use cases. Denne artikel fokuserer specifikt på tilbuds- og salgsprocessen.

Det typiske flow i praksis

En rigtig implementering følger disse trin:

1. Trigger: Kunden sender en forespørgsel via mail eller kontaktformular
2. Klassificering: Agenten læser forespørgslen og bestemmer type (nyinstallation, service, reparation, tilbygning)
3. Data-opslag: Den henter lignende tidligere projekter, kundens historik og aktuelle materialepriser
4. Beregning: Estimerer timeforbrug, materialer, fremmødetid og risikofaktorer
5. Generering: Skriver tilbudstekst på dansk, inkluderer korrekte priser og betingelser
6. Review-markering: Hvis tillidsscoren er for lav, markeres tilbuddet som “kræver review”
7. Levering: Udkastet lander i sælgerens CRM klar til godkendelse og afsendelse

Hele flowet tager typisk 2-4 minutter — tiden sælgeren så bruger på review er 3-8 minutter, afhængigt af kompleksiteten.

AI-tilbudsagent vs. andre løsninger

Markedet er uigennemsigtigt, fordi flere teknologier bliver solgt som det samme. Her er den reelle forskel:

Den vigtigste pointe: Hvis jeres tilbud kan beregnes med en formel og faste priser, er et CPQ-system ofte billigere og mere pålideligt end en AI-agent. AI-agenten giver først mening, når der er variation — unikke kundebehov, erfaringsbaserede estimater eller tekstforståelse af forespørgslen.

Arkitekturen: Sådan er en AI-tilbudsagent bygget

Dette er det element vi bruger mest tid på at forklare til kunder. Her er den referencearkitektur vi bruger i de fleste implementeringer for danske SMV’er.

AI-AG’s 4-lags arkitektur for tilbudsagenter

En velfungerende AI-tilbudsagent består af fire lag, der hver har et tydeligt ansvar:

Lag 1 — Input og klassificering Indgangen til agenten. Typisk en mail-integration (IMAP eller Gmail API) eller en webform. Her klassificerer sprogmodellen forespørgslen: Er det en ny kunde? Hvilken type opgave? Er der vedhæftede filer med tegninger eller specifikationer? Bruger vi Claude eller GPT-4 til selve klassificeringen.

Lag 2 — Data-orchestrering Her trækker agenten relevante data fra jeres systemer. I praksis betyder det API-kald til CRM (kundens historik), ERP (aktuelle priser og lagerstatus), og en vektordatabase med tidligere tilbud. Vi bruger typisk n8n eller en Python-backend til at orchestrere kaldene, fordi det giver fuld kontrol og nem fejlsøgning. Se vores guide til n8n for danske SMV’er for den tekniske opsætning.

Lag 3 — Beregning og validering Selve prisberegningen skal være deterministisk — sprogmodellen må ikke gætte på tal. I vores implementeringer bruger vi sprogmodellen til at vælge hvilke elementer der skal med i tilbuddet, og så kalder vi en Python-funktion der laver selve beregningen. Det sikrer, at priser aldrig hallucineres. Agenten beregner også en tillidsscore: Kan vi finde mindst tre sammenlignelige tidligere projekter? Er alle priser friske (under 30 dage)? Matcher materialespecifikationen en kendt kategori?

Lag 4 — Output og review-flow Det færdige tilbudsudkast skrives til CRM som en kladde med status “kræver godkendelse”. Hvis tillidsscoren er over 80 procent, notificeres sælgeren med en kort besked: “Klar til review”. Hvis den er under 80 procent, eskaleres til sælgeren med en note om hvad der mangler — for eksempel “ukendt materialekategori” eller “ingen sammenlignelige projekter sidste 12 måneder”.

Denne opdeling er vigtig, fordi det er det punkt hvor de fleste danske AI-tilbudsimplementeringer fejler. Sælgerne mister tilliden til agenten, hvis de pludselig står med et tilbud, der indeholder opfundne priser. Deterministisk beregning + tillidsscore = tillid i drift.

Hvilke data skal agenten have adgang til?

Det her er den afgørende forberedelse. Uden de rigtige data kan selv den bedste sprogmodel ikke levere brugbare tilbud.

Minimumskrav — 3 datakilder:

1. Historiske tilbud og faktureringer — mindst 12 måneder, gerne 24. Agenten skal kunne se hvad I faktisk fakturerede, ikke bare hvad der stod i det oprindelige tilbud. Forskellen mellem tilbud og fakturering lærer agenten om reelle tidsforbrug og afvigelser.
2. Prisliste eller ERP-data — aktuelle materialepriser, standardtakster, timesatser for forskellige roller. Skal kunne opdateres automatisk eller minimum én gang om måneden.
3. Kundehistorik fra CRM — tidligere projekter med denne kunde, tidligere priser, særlige aftaler, udestående tilgodehavender. Agenten skal kunne differentiere mellem en ny kunde og en fast kunde med rabataftaler.

Nice-to-have — 3 ekstra datakilder der forbedrer præcisionen:

• Produktkonfigurationer — hvis I har standardprodukter eller pakker, skal de kunne refereres direkte
• Leverandør-API’er — for realtidspriser på materialer (typisk relevant for el-, VVS- og byggefag)
• Kalenderdata — til at estimere leveringstid baseret på aktuel belastning

I praksis ser vi ofte, at de tre minimumskilder giver en agent der kan håndtere 70-80 procent af tilbuddene. De ekstra datakilder tager den op til 90-95 procent dækning, men koster betragteligt mere at integrere.

Eksempel: En jysk installatør med 150 tilbud om måneden

Lad os gøre det konkret. En installatørvirksomhed i Jylland med 18 ansatte modtager 120-150 forespørgsler om måneden. Før AI-tilbudsagenten:

Situation: To sælgere bruger cirka halvdelen af deres arbejdstid på at oversætte forespørgsler til tilbud. Typisk flow: læs mail (5 min), åbn kalkulationsark (3 min), find lignende projekter i arkivet (15 min), lav beregning (12 min), skriv tilbudstekst (8 min), send (2 min). I alt 45 minutter per tilbud. 150 tilbud om måneden = 112 timer om måneden = 65 procent af to sælgeres tid.

Handling: Vi implementerede en AI-tilbudsagent over 5 uger. Integration til deres CRM (HubSpot), deres ERP (Dynamics Business Central), og en vektordatabase med 18 måneders historiske tilbud. Agenten klassificerer forespørgsler, trækker sammenlignelige projekter, foreslår priser baseret på faktiske faktureringer, og genererer et tilbudsudkast på dansk i HubSpot.

Resultat efter 3 måneder i drift: Tilbudstiden per tilbud faldet fra 45 minutter til 8-12 minutter (review-tid). Sælgerne rapporterer, at 78 procent af tilbuddene kan sendes med små justeringer — resten kræver stadig manuelt arbejde, typisk fordi det er nye kundetyper eller unikke projekter. Den samlede tidsbesparelse: 85 timer om måneden, der nu bruges på opfølgning og nye kunder. Responstiden på forespørgsler er faldet fra 1-2 dage til 2-4 timer.

Dette er ikke et scenarie — det er den typiske profil for en veludført AI-tilbudsimplementering i en dansk SMV. Mindre installatører med under 50 tilbud om måneden ser typisk halvdelen af den besparelse, mens større virksomheder med 300+ tilbud om måneden skalerer endnu mere. For håndværks- og byggevirksomheder, hvor tilbud hænger sammen med materialer, tidsregistrering og faktura, har vi beskrevet det beslægtede flow i vores guide til automatisering af tilbud og faktura i byggeriet.

Hvis dette lyder relevant for jeres virksomhed, er vores typiske fremgangsmåde at starte med et kort uforpligtende pre-sale-møde hvor vi gennemgår jeres konkrete tilbudsflow og vurderer om en agent giver mening. Ingen salgspitch — bare en ærlig vurdering.

Hvad en AI-tilbudsagent IKKE kan — og hvor I skal være forsigtige

Denne sektion er lige så vigtig som de forrige, fordi forkerte forventninger er den hyppigste årsag til fejlslagne projekter.

Agenten kan ikke erstatte forhandlingen. Den kan generere et tilbud, men når kunden ringer tilbage med “kan I gøre det lidt billigere?” er det stadig et menneske der skal træffe beslutningen. Det er også det rigtige — AI bør aldrig forhandle autonomt med kunder.

Den kan ikke håndtere helt nye opgavetyper. Hvis I pludselig får en forespørgsel på noget I aldrig har lavet før, har agenten ingen historik at trække på. Den markerer forespørgslen som “kræver review” og eskalerer. Det er en feature, ikke en bug.

Hallucination er en reel risiko. Hvis I lader sprogmodellen generere priser direkte, vil den før eller senere opfinde tal. Det er derfor vi altid bygger deterministisk beregning ind i lag 3. Hvis en leverandør fortæller jer, at deres “AI kan beregne alle priser selv”, så spørg hvordan de forhindrer hallucination. Det korrekte svar involverer Python-funktioner eller regelmotorer — ikke bare “GPT-4 er så avanceret”.

GDPR-overholdelse er ikke automatisk. Hvis agenten behandler personoplysninger (og det gør den, så snart en kundeforespørgsel indeholder et navn eller en mail), skal I have en AI-politik og en databehandleraftale på plads. For SMV’er anbefaler vi typisk EU-hostede modeller eller lokale løsninger.

Hvad koster det faktisk at implementere en AI-tilbudsagent?

Prisstrukturen for danske SMV’er ligger typisk således, baseret på de implementeringer vi og kollegaer har lavet:

Drift-prisen dækker sprogmodel-tokens, hosting af vektordatabase, vedligehold af integrationer og månedligt check-up. En typisk Claude- eller GPT-4-baseret agent koster 200-800 kr. om måneden alene i tokens, afhængig af tilbudsvolumen.

SMV:Digital-tilskud: Du kan søge op til 50 procent af rådgivningsomkostningerne gennem SMV:Digital, hvilket i praksis betyder, at en 60.000 kr. implementering kan lande på 30.000 kr. fra jeres egen kasse. Se vores guide til SMV:Digital tilskud for hvordan I søger.

For en detaljeret gennemgang af ROI-beregning og hvornår en automatiseringsinvestering betaler sig, har vi skrevet en komplet ROI-guide for AI-automatisering.

Sådan kommer I i gang — 5 konkrete trin

Hvis I overvejer en AI-tilbudsagent, er her den fremgangsmåde vi anbefaler:

1. Tæl jeres tilbud. Hvor mange sender I om måneden? Hvor lang tid bruger I i gennemsnit per tilbud? Under 20 tilbud om måneden er breakeven tvivlsomt. Over 50 er det næsten altid lønsomt.
2. Vurder data-modenheden. Har I mindst 12 måneders historiske tilbud i en form der kan eksporteres? Hvis nej — det er det første I skal rette. Uden historik, ingen præcision.
3. Definer én brug-case. Start med jeres hyppigste tilbudstype, ikke alle samtidigt. Agenten bliver bedre og hurtigere til drift, hvis I fokuserer.
4. Lav en ærlig business case. Brug jeres faktiske tal. En typisk beregning: (tid sparet pr. tilbud) × (antal tilbud) × (timepris) — (drift pr. måned) = månedlig besparelse. Se vores business case-skabelon for en struktureret tilgang.
5. Vælg den rigtige partner. Det er vigtigere end teknologien. En god implementeringskonsulent har bygget lignende løsninger før, kan vise jer deres deterministiske beregningsflow, og er ærlig omkring hvad agenten ikke kan.

Ofte stillede spørgsmål om AI-agent til prisestimering og tilbud

Hvad koster det at implementere en AI-agent til prisestimering og tilbud?

For en dansk SMV ligger prisen typisk mellem 25.000 og 80.000 kr. for den første version inklusiv integration til ét CRM- eller ERP-system. Simple tilbudsflows baseret på faste priser og historik kan bygges for 15.000-25.000 kr. Drift og vedligehold koster herefter 1.500-4.000 kr. om måneden. Du kan søge op til 50 procent i tilskud gennem SMV:Digital, hvilket reducerer startomkostningen markant.

Hvor lang tid tager det at få en AI-tilbudsagent i drift?

En simpel agent med adgang til historiske priser og en enkelt CRM-integration kan være i produktion på 2-3 uger. En mellemniveau-agent med ERP-integration, produktkonfigurator og automatisk PDF-generering tager typisk 4-6 uger. Komplekse løsninger med dynamisk prissætning og flere datakilder kan tage 8-12 uger. Langt de fleste SMV-projekter lander på 3-5 uger fra kickoff til første rigtige tilbud sendt.

Kan en AI-agent erstatte vores sælgere?

Nej — og det er heller ikke målet. AI-agenten håndterer det rutineprægede: læser forespørgslen, trækker priser, beregner timeforbrug og udarbejder et udkast. Sælgeren godkender, justerer og håndterer den menneskelige del af salget — relation, forhandling og lukning. I praksis frigør agenten 5-10 timer om ugen per sælger, som de kan bruge på opfølgning og nye kunder. Sælgerne bliver mere produktive, ikke erstattet.

Hvilke data skal AI-agenten have adgang til for at fungere?

Minimum tre datakilder: (1) Historiske tilbud og faktiske faktureringer, så agenten kan lære, hvad jeres priser rent faktisk er, (2) Prisliste eller ERP-data med materialepriser og standardtakster, og (3) Kundedata fra CRM, så agenten kan differentiere mellem nye og faste kunder. Hvis I har produktkonfigurationer eller kalkulationsskabeloner, skal de også kobles på. Uden historiske data bliver estimaterne utroværdige de første 3-4 uger.

Hvad er forskellen på en AI-agent og en tilbudsskabelon?

En tilbudsskabelon er en Word- eller PDF-skabelon, hvor mennesket stadig udfylder priser, mængder og beskrivelser. En AI-agent læser forespørgslen, trækker selv priser fra jeres systemer, beregner timeforbrug baseret på lignende tidligere projekter og genererer selve indholdet. Skabelonen er et værktøj — agenten er en kollega, der udfører arbejdet. Typisk sparer en agent 30-45 minutter per tilbud, hvor en skabelon kun sparer 5-10 minutter.

Hvordan håndterer AI-agenten unikke eller komplekse tilbud?

Agenten klarer den standardiserede del automatisk og eskalerer de komplekse cases til et menneske. I vores implementeringer sætter vi altid en confidence-tærskel: hvis agenten ikke kan finde sammenlignelige tidligere projekter, eller hvis kundens forespørgsel indeholder usædvanlige parametre, markerer den tilbuddet som “kræver review”. Typisk ender 70-85 procent af tilbuddene i den automatiske kø, mens resten går til en sælger. Det er den balance, der gør løsningen troværdig i drift.

Er det GDPR-compliant at bruge AI til at generere tilbud til kunder?

Ja, hvis opsætningen er rigtig. Du skal sikre fire ting: en databehandleraftale med din AI-leverandør, at personoplysninger ikke sendes til modeller, der træner på data, at der er et klart formål og retsgrundlag for behandlingen, og at kunder kan få indsigt i hvordan deres data bruges. For SMV’er anbefaler vi typisk lokale sprogmodeller eller EU-hostede løsninger fra Claude eller Azure OpenAI. Se vores GDPR og AI-guide for konkrete skabeloner.

Næste skridt

Hvis jeres sælgere bruger mere end 20 timer om ugen på at lave tilbud, er der typisk en god business case i at automatisere processen. AI-AG hjælper danske SMV’er med at bygge den type løsninger fra start til drift — med deterministiske beregninger, realistiske forventninger og klar dokumentation. Book en uforpligtende snak, hvor vi gennemgår jeres specifikke situation og vurderer om en AI-tilbudsagent giver mening for jer.