Den AI-native EA-playbook for midtfeltet

01Virkeligheden

Du er integrationen

Lav en lille test i morgen tidlig. Spørg din organisation: hvilke systemer har vi, hvad koster de, hvem ejer dem, og hvilke understøtter vores vigtigste kundeproces. I de fleste virksomheder i midtfeltet findes svaret ikke i et system. Det findes i en person.

Personen samler svaret ved at åbne økonomisystemet, SSO-oversigten, tre regneark, et gammelt diagram og sin egen hukommelse. Personen er integrationen mellem virksomhedens værktøjer, og hver gang ledelsen har et spørgsmål, betaler virksomheden den person for at være menneskelig middleware.

Det bliver værre af to grunde. Softwareporteljen vokser år for år, hver afdeling køber selv ind, og en betydelig del af licenserne bruges reelt aldrig. Og agenterne er flyttet ind: Gartner forudser at 40 procent af enterprise-applikationer har task-specifikke AI-agenter inden udgangen af 2026, op fra under 5 procent i 2025. Agenter læser, skriver og handler i dine systemer. Hvis intet samlet sted ved hvilke agenter der findes og hvad de må, har du fået en ny slags skygge-IT, nu med hænder.

Problemet er ikke at dine folk er for langsomme til at vedligeholde overblikket. Problemet er at nogen overhovedet skal gøre det manuelt.

02Loopet

Loopet der får det hele til at hænge sammen

AI-native arkitektur er ikke et EA-værktøj med en chatbot. Det er tre bevægelser der forstærker hinanden. Konsolider: strategi, kapabiliteter, systemer, integrationer, data, processer, risici og AI-use-cases samles som typede entiteter med relationer, ikke som slides og regneark. Når 'system understøtter kapabilitet' og 'agent har adgang til data' er relationer i en graf, kan man stille spørgsmål på tværs: hvad rammes hvis vi udfaser dette system, hvilke kapabiliteter har ingen digital understøttelse, hvor overlapper tre værktøjer på samme opgave.

Connect: data flyder ind fra kilderne hvor beslutningerne faktisk træffes, og modellen serverer selv kontekst ud via Model Context Protocol, standarden der har rundet 97 millioner installationer og allerede kører i produktion hos 78 procent af enterprise AI-teams. Dine egne assistenter spørger modellen om organisationens sandhed i stedet for at gætte.

Agenter: AI skriver udkast til alt det ingen gider, beriger systemkortet, opdager dubletter, markerer forældede oplysninger, foreslår klassifikationer. Mennesker godkender. Bevægelserne forstærker hinanden: en bedre model giver agenterne bedre kontekst, agenterne holder modellen frisk, og en frisk model gør hver ny connector og hvert nyt spørgsmål mere værd. Det er renters rente for organisationsviden.

I Atlas er loopet ikke et diagram i et whitepaper. Det er produktets arkitektur: typet graf i bunden, connectors og MCP i begge retninger, agenter med Verify-review som standard.

03Start sjusket

Start scrappy. Fem felter er nok.

Klassisk EA fejler ofte på ambitionen: seks måneders metamodel-design før første indsigt. Playbook-svaret er det modsatte. Start sjusket, men start i noget der kan vokse. Fem felter pr. system er nok til at komme i gang: navn, ejer, hvad den bruges til, kritikalitet, og hvilken kapabilitet den understøtter.

Det er en overkommelig import fra det regneark du allerede har, og det er nok til at agenterne kan begynde at arbejde: finde dubletter, foreslå relationer, markere huller. Resten af felterne kommer ikke fra et projekt. De kommer fra driften: hver gang en agent beriger en post og et menneske bekræfter, bliver modellen en anelse dybere. Efter tre måneder har du den metamodel du ellers ville have designet i et halvt år, bare med den forskel at den afspejler virkeligheden.

Modeller aldrig noget på forhånd, som en agent kan udlede og et menneske kan bekræfte senere.

04Agenter

Agentens anatomi, og hvorfor review ikke er valgfrit

En agent i produktion består af tre ting. Instructions: hvad den skal, og hvad den ikke må, formuleret så et menneske kan læse og rette det. Connections: hvilke kilder og moduler den har adgang til, en eksplicit liste, ikke 'alt'. Triggers: hvornår den kører, på skema, ved hændelse, eller på anmodning.

I Atlas er det anatomien for Architecture Agents: navngivne AI-teammates som Portfolio Librarian, Freshness Warden, Duplicate Hunter, Compliance Scout og Review Clerk. Du kan se hvad hver agent har lavet, hvornår, og på hvilket grundlag. Og så det vigtigste designvalg i hele playbooken: agenter skriver aldrig direkte i modellen. De skriver forslag der lander i Verify-indbakken, hvor et menneske bekræfter, retter eller afviser.

Det lyder som et beskedent UI-valg. Det er det ikke. Det er forskellen på et system du kan stille til ansvar, og et system du må håbe på. Tommelfingerregler til jeres egen agent-praksis, uanset værktøj: en agent, et ansvar; alle skrivninger gennem review indtil en agent har optjent tillid på et smalt, målbart område; hver agent har en ejer med navn og et formål på skrift; log alt, fordi loggen er din compliance-evidens den dag nogen spørger.

05Kobl til

Kobl til der hvor beslutningerne træffes

Rækkefølgen på integrationer afgør om modellen bliver brugt eller beundret. Kobl ikke til efter hvad der er teknisk nemt. Kobl til efter beslutningsvolumen. Identitet og adgang først, SSO-oversigten, giver det reelle systeminventar og de første usage-signaler, inklusive kandidater til skygge-AI. Dernæst økonomisignalerne, kontrakter, fornyelsesdatoer og licensantal, gør modellen interessant for CFO'en fra uge et. 'Tre værktøjer på samme kapabilitet fornyes inden for 60 dage' er en sætning der betaler for hele øvelsen.

Dernæst arbejdssystemerne, repositories, ticketing og dokumentation, føder agenterne med den kontekst der gør deres udkast præcise. Og til sidst AI-værktøjerne selv via MCP: når jeres assistenter og agenter henter organisationskontekst fra modellen, bliver modellen infrastruktur i stedet for rapportering. Bemærk skiftet i økonomien: nu hvor SaaS-leverandørerne selv shipper MCP-servere (Forrester venter 30 procent i 2026), skal man ikke længere bygge N integrationer. Man skal have en klient og et sted at samle konteksten. Det flytter spørgsmålet fra 'hvad kan vi nå at integrere' til 'hvor skal sandheden bo'.

06Governance

Governance fra dag et, uden at det føles sådan

Midtfeltet har fået en gave, og den er underligt ukendt. Digital Omnibus-pakken, godkendt af Europa-Parlamentet 16. juni 2026, udskød AI Act's high-risk-forpligtelser til 2. december 2027 og udvidede lempelsesregimet til virksomheder med op til 750 ansatte eller 150 millioner euro i omsætning: forenklet dokumentation, reducerede bøder, adgang til regulatoriske sandkasser.

Oversat: I har 16 måneders runway og et regime designet til jeres størrelse. Panik er ikke længere en strategi, og det er udsættelse heller ikke. Den fornuftige plan er kedelig og overkommelig. Inventar: registrer jeres AI-systemer og agenter et sted, med formål og ejer. Klassifikation: afgør pr. use-case om den er omfattet, og i hvilken kategori, og dokumenter rationalet, ikke bare konklusionen. Kadence: sæt review-rytme på porteføljen, så klassifikationer og ejerskab ikke rådner.

I Atlas bliver compliance et biprodukt af at drive porteføljen ordentligt, ikke et årligt projekt med eksterne timer.

07Tre dage

Tre dage til første indsigt

Planer der kræver et kvartal, bliver ikke til noget i midtfeltet. Dag 1: importer rodet. Tag systemlisten som den er, regnearket, SSO-eksporten, økonomilisten. Fem felter pr. system, huller er tilladt. Lad agenterne køre første berigelse og dublet-scan. Ved fyraften har du et systemkort der er cirka 80 procent sandt, hvilket er cirka 80 point mere end i går.

Dag 2: kobl de to første kilder, SSO og økonomisignaler. Verify-indbakken begynder at fyldes med forslag: manglende ejere, sandsynlige dubletter, systemer uden kapabilitet. En time med kaffe og bekræftelses-klik, og modellen har relationer, ikke bare rækker. Dag 3: sæt første agent i arbejde og åbn boardroom views, Capability Map med system-understøttelse, Value Streams med support-gaps, Portfolio med kritikalitet. Tag det med til næste ledermøde og stil et spørgsmål: hvilket af de her huller gør mest ondt.

Arkitekten ordner nu på en formiddag det, der før var et kvartalsprojekt. Og da bestyrelsen spurgte til AI-porteføljen, tog det ti minutter at trække rapporten, ikke tre uger.