LLM, RAG og MCP: tallene kommer fra Business Central
En LLM (large language model) er en sprogmodel, trænet på enorme mængder tekst, som skriver det mest sandsynlige svar på jeres spørgsmål. Den kender ikke jeres tal. RAG får den til at slå op i jeres egne data, før den svarer. MCP er den standard, agenten bruger til at tale med jeres systemer, for eksempel Business Central.
Hvad er en LLM, RAG og MCP?
Ordene bliver brugt i flæng i salgsmøder. Her er, hvad de betyder hos jer.
| Begreb | Kort sagt | Hos jer |
|---|---|---|
| LLM, sprogmodel | En model, der har læst milliarder af sider og skriver videre på jeres spørgsmål. GPT, Claude og Gemini er eksempler. | Skriver, opsummerer og forstår dansk. Kender hverken jeres debitorer eller jeres budget. |
| RAG | Retrieval augmented generation: systemet henter de relevante tal og dokumenter først og giver dem til modellen sammen med spørgsmålet. | Svaret bygger på jeres finansposter og politikker, og kilden står under svaret. |
| MCP | Model Context Protocol: en åben standard for, hvordan en agent finder og kalder værktøjer i andre systemer. | Agenten kan læse debitorer og poster i Business Central gennem en MCP-server, med de rettigheder I giver den. |
| Hallucination | Når modellen skriver noget, der lyder rigtigt, men er opdigtet. | Et forfaldstal, der ser plausibelt ud og er forkert. Hvert svar skal vise sin kilde, så det bliver fanget. |
| Data gateway | Ét lag foran jeres systemer, som styrer, hvem og hvad der må læse og skrive. | Adgangsrettigheder, beløbsgrænser, en log og en navngiven ejer samlet ét sted. |
| Vector database | En database, der finder tekst efter betydning frem for præcise ord. | Finder jeres kreditpolitik, når controlleren spørger om »betalingsfrister for nye kunder«. |
| Knowledge graph | Data gemt som ting og forbindelser: kunde, ordre, faktura, sælger. | Kan svare på, hvilke ordrer der hænger på den samme kunde i to selskaber. |
Agentic AI og human in the loop har deres egne sider. Kort sagt gør en agent et stykke arbejde selv, og et menneske godkender det, agenten er usikker på.
En sprogmodel skriver godt og gætter på tal
En sprogmodel er trænet på offentlig tekst frem til en bestemt dato. Den har aldrig set jeres kontoplan, jeres prisliste eller den mail, jeres revisor sendte i går. Spørger I om noget, den ikke har set, skriver den det svar, der statistisk passer bedst.
Til en produkttekst eller et udkast til en rykker er det fint. Til »hvad skylder vores ti største kunder os?« er det ubrugeligt, for modellen lyder lige sikker, uanset om tallet er rigtigt eller opfundet.
Lad sprogmodellen formulere svaret. Tallene skal komme fra Business Central, og det kræver et opslag.
Hvorfor hallucinerer AI, og hvad stopper det?
AI hallucinerer, fordi en sprogmodel er bygget til at skrive sandsynlig tekst. Mangler den et faktum, fylder den hullet ud med noget, der ligner. Mere træning fjerner det ikke. Det, der virker, er at ændre opgaven, så modellen kun formulerer svaret ud fra data, den har fået udleveret.
- Modellen svarer kun ud fra de poster og dokumenter, opslaget har hentet. Står svaret ikke dér, siger den det.
- Tal regnes af systemet, aldrig af modellen. Summen af forfaldne poster kommer fra en forespørgsel i Business Central, og modellen skriver sætningen omkring den.
- Hvert svar viser sin kilde: tabel, filter og tidspunkt. Controlleren kan åbne de samme poster og tjekke.
- Svar, der fører til en handling, går forbi et menneske, før noget bliver sendt eller bogført.
Hvad er RAG? Slå op først, svar bagefter
RAG er mekanismen bag »svar med kilder«. I stedet for at spørge modellen direkte sker der fire ting, hver gang I stiller et spørgsmål.
Forstå spørgsmålet
Modellen omsætter »hvem har ikke betalt for september?« til et opslag: åbne debitorposter, forfaldsdato i september, saldo over nul.
Tjek adgang
Opslaget holder sig til det, den der spørger, i forvejen må se. En sælger ser sine egne kunder, controlleren ser alle selskaber.
Hent data
Tal hentes med en forespørgsel mod Business Central eller jeres datavarehus i Fabric. Tekst som politikker og kontrakter findes i en vector database.
Svar med kilde
Modellen skriver svaret ud fra det hentede og viser, hvilke tabeller og dokumenter det kommer fra.
Agentic RAG er samme idé, hvor agenten selv vælger opslagene og kan tage flere runder. »Hvorfor faldt dækningsbidraget i oktober?« kan kræve ordrer fra Shopify, finansposter fra Business Central og fragttakster fra SharePoint.
Hvordan det ser ud for brugeren, når hver afdeling spørger sine egne tal, står på siden om chat med egne data.
Hvad er MCP, og hvordan når agenten Business Central?
Model Context Protocol blev lanceret af Anthropic i november 2024 som en åben standard. En MCP-server ligger foran et system og fortæller agenten, hvilke værktøjer der findes, for eksempel »hent debitorposter« eller »opret salgsordre«. Agenten kalder værktøjet, og serveren udfører det med de rettigheder, den har fået.
Før MCP skulle hver integration mellem en model og et system skrives fra bunden. Nu taler den samme agent med Business Central og jeres helpdesk på samme måde. I kan skifte model uden at bygge integrationerne om.
Microsoft har bygget en MCP-server ind i Business Central. Ifølge Microsofts dokumentation kan agenter i standardopsætningen kun finde og læse de API-sider, den indloggede bruger i forvejen har adgang til. Skal en agent oprette, rette eller slette, slås det til for hver API-side for sig. Opsætningen og grænserne står på siden om Business Central MCP-server.
Data gateway: én dør med adgang, grænser og log
En MCP-server direkte på ERP giver agenten adgang til ét system. Hjernen skal svare ud fra regnskab, webshop og PIM på én gang, og agenterne skal kunne skrive tilbage under kontrol. Det klarer en data gateway: et lag i jeres egen Azure, som alle agenter går igennem, og som én person hos jer ejer.
Eksempel med opdigtede tal.
En af os byggede data gateway og bestyrelsesrapportering internt, som CDO i en koncern med seks selskaber og 16 markeder. Jeres bygger vi sammen med jeres team, så I driver den selv bagefter.
Hvornår I skal lade sprogmodellen ligge
- Når svaret er en fast rapport, der ser ens ud hver måned. Et Power BI-dashboard er billigere og hurtigere.
- Når opgaven forekommer fem gange om måneden. Så bruger bogholderen kortere tid på den, end det tager at bygge og vedligeholde agenten.
- Når ingen hos jer vil eje agenten. Så læser ingen loggen, og kunderne finder fejlene først.
- Når adgangsrettighederne i ERP ikke afspejler, hvem der må se hvad. Så skal rettighederne ryddes op først.
Hvad er en LLM?
En LLM, large language model, er en sprogmodel trænet på store mængder tekst. Den forstår spørgsmål og skriver svar på almindeligt dansk. Den kender kun det, den er trænet på, og altså ikke jeres egne tal, medmindre et system henter dem til den.
Hvad er RAG?
RAG står for retrieval augmented generation. Systemet henter først de relevante data og dokumenter og giver dem til sprogmodellen sammen med spørgsmålet. Modellen svarer så ud fra jeres egne kilder og viser, hvor svaret kommer fra.
Hvad er MCP?
MCP, Model Context Protocol, er en åben standard, som Anthropic lancerede i november 2024. Den beskriver, hvordan en AI-agent finder og bruger værktøjer i andre systemer. En MCP-server ligger foran systemet og bestemmer, hvad agenten må læse og gøre.
Hvordan får en AI-agent adgang til Business Central?
Gennem Business Centrals API, enten via Microsofts indbyggede MCP-server eller via en data gateway foran ERP. Ifølge Microsoft kan agenter i standardopsætningen kun læse de API-sider, brugeren selv har adgang til, og skriveadgang slås til for hver API-side. En gateway lægger beløbsgrænser, log og en navngiven ejer oven på.
Hvorfor hallucinerer AI?
En sprogmodel skriver den mest sandsynlige tekst, også når den mangler fakta, og fylder hullet ud med noget, der lyder rigtigt. Det stoppes ved at lade modellen svare ud fra hentede kilder, lade systemet regne tallene og vise kilden under hvert svar.
Hvor forsvinder jeres timer?
Tag den opgave med, der stjæler flest. Så siger vi ærligt, om agenter kan tage den, og hvad det kræver af jer.