Make

Hvor Make passer ind

Make bygger automation i en visuel canvas med scenarios og modules. Make positionerer i 2026 sine næste generations AI Agents som et visuelt agentlag, der kan orkestrere arbejde på tværs af mere end 3.000 apps og vise agentens beslutninger i kontekst.

Make er attraktivt, når ikke-udviklere og tekniske brugere skal kunne forstå samme workflow visuelt. Ved meget specialiseret kode, self-hostingkrav eller ekstremt komplekse runtime-behov bør du sammenligne med mere tekniske alternativer.

Sådan vurderer vi værktøjet

På PromptGuiden vurderer vi et automationsværktøj efter mere end antallet af integrationer. Vi ser på hvor synligt dataflowet er, hvor let fejl kan reproduceres, hvordan credentials og teams håndteres, muligheder for code/API, AI- og agentfunktioner samt hvor godt platformen passer til en driftsmodel.

• Kan en anden person forstå og fejlfinde flowet?
• Kan write-actions begrænses og godkendes?
• Er der en klar strategi for retries og dubletter?
• Kan løsningen versioneres og ændres uden at miste kontrol?

Et godt første use case

Vælg en proces med tydelig trigger, få systemer og et målbart resultat. Lead routing, email triage, content brief eller intern notification er bedre begyndercases end et stort “autonomt” system. Dokumentér input og sluttilstand, og lad AI være ét kontrolleret trin hvis sproglig vurdering er nødvendig.

Skal platformen bruges til AI-agenter, så begynd med read-only tools og human approval før kritiske writes. Udvid først autonomi efter at tests og execution history viser stabil adfærd.

Implementering i et team

Make bør ikke bare vælges af den person der bygger den første automation. Aftal hvem der må oprette connections, hvem der ejer production-flows, hvordan ændringer testes, og hvad der sker når en medarbejder eller credential forsvinder. Brug separate miljøer eller tilsvarende kontrol, hvor processen er kritisk nok til at retfærdiggøre det.

Ved AI-trin bør teamet gemme et lille evalueringssæt med virkelige inputs. Når model, prompt eller tool-konfiguration ændres, kan I køre de samme cases igen. Det gør det muligt at opdage regressioner, der ellers først viser sig som mærkelige kundesager flere uger senere.

Spørg før du vælger platform

• Har vi krav til self-hosting, dataregion eller netværk?
• Hvor meget custom code og API-arbejde forventer vi?
• Kan de personer der skal drifte løsningen forstå execution history og fejl?
• Hvordan prissættes vores konkrete run-mønster, loops og AI-trin?
• Kan vi eksportere eller dokumentere den forretningslogik, vi bliver afhængige af?

Scenarios, routes og AI Agents i samme platform

Make er stærk, når du vil kunne se data bevæge sig gennem et scenario og samtidig blande klassisk automation med agentiske trin. I praksis bør du holde trigger, datavalidering og kritiske handlinger deterministiske og bruge AI dér, hvor input skal fortolkes, klassificeres eller omskrives. Det gør fejl nemmere at isolere end i en løsning, hvor agenten selv vælger hele forløbet.

Produktionsprincip

Brug routers til tydelige forretningsregler, data stores eller eksterne systemer til tilstand, og læg approval ind før handlinger som udsendelse, opdatering af CRM eller oprettelse af økonomiske poster. AI Agents kan kalde værktøjer, men et godt produktionssetup begrænser hvilke værktøjer der er tilgængelige i den enkelte kontekst.

• Definér hvilke data workflowet må læse og skrive.
• Adskil AI-fortolkning fra irreversible handlinger.
• Log fejl, input og beslutninger så de kan reproduceres.
• Test med normale cases, edge cases og bevidst dårlige inputs.