Bed Microsoft 365 Copilot om at opsummere projektindbakken, og det gør den. Bed den om at arbejde i indbakken – åbne hver vedhæftet fil, når den kommer ind, skelne en RFI fra en faktura, arkivere hver enkelt i Procore og logge den til revisorerne – og du har fundet den mest almindelige af Microsoft Copilots begrænsninger: den hjælper en person med at udføre et job, men den overtager ikke jobbet.
Det er bevidst. Microsoft positionerer Copilot til individuel produktivitet (Microsoft Learn): én person i Microsoft 365-apps, der skriver udkast, opsummerer og søger. Et workflow kan overvåge en delt indbakke, flytte filer mellem systemer og logge hver overførsel. En skræddersyet AI-agent er værd at overveje, når næste handling afhænger af, hvad et dokument faktisk siger – især når filnavne og skabeloner ikke er til at stole på.
Denne guide viser, hvor grænsen går, hvilket Microsoft-værktøj der passer til hver side af den, og hvordan en fungerende agent ser ud – baseret på Microsofts dokumentation og et system, vi har bygget til en amerikansk byggevirksomhed.
- Microsoft 365 Copilot tjener sin licens hjem på én persons arbejde: udkast, opsummeringer og søgning i det, som personen allerede har adgang til.
- Fire begrænsninger viser sig, når arbejdet bliver en proces: en delt kø, systemer uden for Microsoft 365, arbejde, der starter ved en hændelse, og tilladelser, som ingen har ryddet op i.
- Copilot Studio, Microsoft Foundry og en skræddersyet løsning på Azure passer til forskellige agenter; tjek hver enkelts offentliggjorte grænser, før en pilot skaleres op.
- Det sædvanlige svar er begge dele: en agent kører processen og arkiverer resultaterne, og Copilot hjælper folk med at finde dem.
Hvad Microsoft 365 Copilot gør godt
Typiske anvendelser af Microsoft 365 Copilot omfatter:
- Udkast. En første version af en e-mail, et dokument eller en præsentation ud fra en prompt og fra filer, som personen allerede har.
- Opsummeringer. Lange e-mailtråde og Teams-møder koget ned til beslutninger og næste skridt.
- At finde ting. Svar hentet fra de mails, chats og filer, som personen allerede har adgang til. Microsoft skriver, at Copilot ”kun viser organisationsdata, som den enkelte bruger mindst har læseadgang til” (Microsoft Learn).
- Delte og delegerede postkasser. En licenseret bruger kan nu bede Copilot om at læse, opsummere og skrive udkast til svar i en delt postkasse eller i en delegeret postkasse, som brugeren har fuld stedfortræderadgang til (Microsoft Support).
Den kører også inden for lejerens eksisterende tilladelser og compliance-opsætning, så IT ikke skal bygge en ny sikkerhedsmodel for at rulle den ud.
Hvor Microsoft Copilots begrænsninger viser sig i det virkelige arbejde
Begrænsningerne viser sig, når nogen forsøger at give Copilot et job, der før lå hos en person eller et team. Fire begrænsninger i Microsoft 365 Copilot dukker op igen og igen:
1. En delt indbakke er en kø, ikke en samtale
Copilot kan nu opsummere en delt postkasse, når en licenseret person beder om det. Det er noget andet end at arbejde sig igennem køen. I en projektindbakke, der hele dagen modtager RFI’er, submittals og fakturaer, skal hver vedhæftet fil stadig åbnes, klassificeres, omdøbes og arkiveres. Copilot hjælper den person, der gør det, men tager ikke opgaven fra vedkommende.
2. Fagsystemet ligger uden for Microsoft 365
Microsoft 365 Copilot kan referere til data fra tredjepart via Microsoft Graph-connectors, hvis brugeren har tilladelse til at se dem (Microsoft Learn). At læse er den nemme halvdel. At lægge et dokument i den rigtige Procore-mappe, oprette en post i et ERP eller opdatere et felt i et CRM kræver API-kald, godkendelse, feltmapping og fejlhåndtering. Vi sammenligner de to måder at koble det op på i MCP vs API til AI-agenter.
Det samme gælder dokumenter, som Copilot aldrig var tænkt til at læse. Til en britisk IT-servicevirksomhed byggede vi en agent, der udtrækker data fra regneark og scannede håndskrevne dokumenter med Azure AI Document Intelligence og sender dem videre til kundens eksisterende Java-API (casestudie).

3. Ingen skriver en prompt
I Copilot Chat er det en person, der starter interaktionen. Et automatiseret workflow kan starte, når en e-mail kommer ind, eller en fil lander i en mappe. Microsofts Workflows-agent lader en bruger beskrive en automatisering i almindeligt sprog. De workflows, der kommer ud af det, gemmes i et dedikeret Power Platform-miljø for lejeren.
Tag en projektindbakke, der modtager PDF’er i løbet af natten. Hvis hver afsender bruger en kendt skabelon, og destinationen følger en fast regel, kan et Power Automate-flow være nok. Hvis underleverandører bruger forskellige skabeloner eller indsender en ændringsordre under det forkerte filnavn, skal systemet tolke indholdet, før det kan sende filen videre. Det er i det klassificeringstrin, AI kan hjælpe.
4. Tilladelser, du aldrig har ryddet op i, bliver synlige
Copilot kan vise organisationsindhold, som brugeren allerede har tilladelse til at se. Microsofts egen anbefaling er at bruge SharePoints tilladelsesmodeller, så ”de rigtige brugere eller grupper har den rigtige adgang til det rigtige indhold” (Microsoft Learn). I praksis kan en mappe, der blev delt med hele virksomheden for flere år siden, dukke op i svarene fra første dag. Når man bygger en skræddersyet agent, kan teamet begrænse dens adgang til de kilder, opgaven kræver. I en RAG-assistent, vi har bygget til en britisk IT-serviceudbyder, svarer assistenten kun ud fra dokumenter, som brugeren har adgang til at åbne, og siger ellers, at den ikke har nogen oplysninger.

Copilot Studio vs Azure AI Foundry vs en skræddersyet løsning
Når du har fundet et trin, der kalder på en AI-agent, er der tre Microsoft-platforme, som er værd at sammenligne. Microsofts Cloud Adoption Framework nævner dem: Copilot Studio (SaaS, low-code), Foundry (PaaS, pro-code) og egen infrastruktur. Azure AI Foundry har siden skiftet navn til Microsoft Foundry (Microsoft Learn).
Valget er ikke ideologisk. Copilot Studio er ofte den hurtigste måde at bevise en use case på. Copilot Studios begrænsninger er offentliggjort, og Microsoft anbefaler at planlægge kapaciteten, før en pilot går i fuld skala, fordi ”den laveste grænse i kørselsstien afgør brugeroplevelsen” (Microsoft Learn). Her er, hvor hver mulighed passer.
Når Copilot Studio er nok
Copilot Studio passer, når agenten besvarer spørgsmål ud fra virksomhedens indhold eller udfører en håndfuld definerede opgaver via færdige connectors, og når et forretningsteam skal eje den. Før en pilot vokser, så tjek de grænser, der gælder for dit scenarie, på Microsofts side Kvoter og grænser. Nogle af dem dukker ofte op:
- En agent, der bruger generativ orkestrering, kan højst pege på 25 SharePoint-webstedsadresser.
- Uden en Microsoft 365 Copilot-licens i samme lejer kan generative svar kun bruge SharePoint-filer under 7 MB.
- Hvis en Excel-fil fra SharePoint bruges som videnskilde, kan det give svage svar på analytiske spørgsmål. Til opgaver, der kræver beregninger, tilbyder Copilot Studio også en kodefortolker, der kan generere og køre Python.
- På Teams-planen, der følger med udvalgte Microsoft 365-abonnementer, får hver bruger 10 sessioner hver 24. time på tværs af alle agenter i lejeren.
Grænserne for beskeder gælder pr. Dataverse-miljø, så hver kanal og integration, der taler med agenter i det miljø, tæller med i den samme grænse (Microsoft Learn). Microsoft kan hæve dem for godkendte scenarier, men beder om ”målt forbrug fra en pilotfase, ikke en fremskrivning”.
Når Microsoft Foundry passer
Foundry passer, når et udviklingsteam selv skal vælge modeller, skrive kode eller kæde flere agenter sammen. Microsoft beskriver Foundry-workflows som noget, der håndterer ”sekventiel logik, betinget forgrening og tilstandsstyring på tværs af flere agenter”, og hostede agenter som et administreret runtime-miljø til din egen kode (Microsoft Learn). Teams med krav om privat netværk kan konfigurere Foundry Agent Service til at bruge et virtuelt Azure-netværk. Vores team inden for Azure-rådgivning kan sætte det miljø op. De to platforme mødes også på midten: en Copilot Studio-agent kan bruge Foundry-modeller, så et forretningsteam beholder low-code-grænsefladen, mens udviklerne styrer modellen.
Når en skræddersyet løsning på Azure passer
En skræddersyet løsning på rene Azure-tjenester passer, når agenten i virkeligheden er en pipeline. Den skal tage hvert element fra en kø, klare en byge af e-mails en travl morgen, prøve igen, når et API længere nede i kæden ikke svarer, og efterlade en registrering for hvert trin. Du designer og driver mere af den selv, men du vælger hver komponent i kørselsstien og kan se grænserne for hver enkelt. Casen nedenfor er den slags løsning. Og når målet er en assistent, der er skræddersyet til én rolle eller ét produkt, er det måske en skræddersyet copilot snarere end en agent.
Sådan ser en skræddersyet agent ud i praksis
En amerikansk byggevirksomhed med mere end 70 år i branchen håndterede dokumentmodtagelsen manuelt. Projektteams downloadede vedhæftede filer fra projektindbakker, afgjorde, om hver enkelt var en RFI, en submittal eller en ændringsordre, og uploadede den til Procore og SharePoint. Filer kom ind med forkerte navne eller ufuldstændige, versioner blev blandet sammen, og godkendelser blev forsinket.
Vi byggede en e-mail-AI-agent, der klarer modtagelsen på egen hånd. Et team på fire leverede den på 3,5 måneder. For hver ny e-mail kører den de samme seks trin:
- Overvågning af indbakken. Den holder øje med en dedikeret projektindbakke for nye vedhæftede filer.
- Hentning af vedhæftede filer. Systemet downloader hver vedhæftet PDF til Azure Blob Storage.
- Scanning for malware. Microsoft Defender for Storage scanner den uploadede fil før dokumentbehandlingen.
- Udtrækning og klassificering. Systemet udtrækker nøglefelter og bruger dokumentets indhold til at identificere en RFI, en submittal, en ændringsordre eller en anden dokumenttype.
- Placering i Procore. Den uploader filen til den rigtige placering efter dokumenttype og underleverandør.
- Logning. Den tilføjer en række i et sporingsregneark, som også ligger i Procore, med projekt-id, dokumenttype, afsender, titel, virksomhed og dokumentnummer.
Den kører på Azure: Azure Functions til orkestrering, Azure Container Apps til behandling, Blob Storage og Queue Storage til filhåndtering, Entra ID til identitet, Key Vault til hemmeligheder og Azure Monitor til observerbarhed. Den arbejder med postkassen, Procore og SharePoint via Microsoft Graph, Procore-API’et og SharePoint-API’et.
Hvorfor arkitekturen ser sådan ud
Hver komponent besvarer et spørgsmål, som nogen i IT eller revision vil stille. Azure Queue Storage bufferer indkommende arbejde, så en byge af vedhæftede filer kan behandles, efterhånden som der bliver kapacitet. Defender for Storage scanner uploadede vedhæftede filer for malware. Key Vault holder adgangsoplysningerne til Procore og SharePoint ude af koden, Entra ID håndterer identitet, og Azure Monitor viser, hvad der kørte, hvornår og med hvilket resultat. Sporingsregnearket er den forretningsvendte halvdel af samme idé: en projektleder kan se hvert dokument, agenten har håndteret, uden at åbne Azure.
Hvad der ændrede sig for kunden
For denne kunde blev dokumentmodtagelsen 70–80 % hurtigere, og projektledere og driftsmedarbejdere fik omkring 35 timers manuelt administrativt arbejde om måneden tilbage. Hvert dokument kommer nu ind i Procore med de samme metadata og en sporbar vej, hvilket giver teamet et revisionsspor, de ikke havde før.
Ingen af de seks trin er en chat. Det er forskellen på en copilot og en agent, og det er det arbejde, vores team inden for udvikling af AI-agenter udfører. For et bredere blik på, hvordan agenter planlægger og handler, se AI-agenter: sådan fungerer de.
Fem spørgsmål, der afgør det
Brug disse fem spørgsmål til at vurdere, hvor meget af processen en person kan klare med Copilot, og hvilke trin der er værd at automatisere.
For de trin, du vil automatisere, så tjek, hvordan næste handling vælges. Et workflow kan være nok, når en projektkode afgør, hvor en fil skal hen. En skræddersyet AI-agent er værd at overveje, når systemet skal læse et ukendt dokument, identificere dets type og bruge den information til at afgøre, hvor det skal arkiveres.
Sådan afgrænser du en første agent
En første agent skal være lille nok til at blive leveret på måneder, ikke kvartaler, og vigtig nok til, at folk lægger mærke til det, når den virker. Disse trin holder den der.
- Vælg én proces med én ejer. Én indbakke, én dokumenttype, ét team. ”Dokumentmodtagelse for én projektindbakke” er en afgrænsning; ”automatiser driften” er det ikke.
- Opgør volumen. Hvor mange e-mails, filer eller forespørgsler der kommer ind om dagen, og hvor mange minutter hver enkelt tager manuelt. Det tal er business casen og den baseline, du skal måle op imod.
- Kortlæg hvert system, den berører. Notér for hvert system, om agenten læser, skriver eller begge dele, og via hvilket API. Et system uden et brugbart API er et separat stykke arbejde, som vi forklarer i MCP vs API til AI-agenter.
- Beslut, hvad loggen skal vise. Hvem der skal læse den – en revisor, en projektleder eller IT – afgør, hvad hver post registrerer.
- Start med forslag. I de første uger foreslår agenten, og en person bekræfter. Trinene går over til fuld automatisering ét ad gangen, når deres fejlrate er lav nok.
- Aftal målet før go-live. Behandlingstid, sparede timer eller fangede fejl. Mål det, før agenten starter, så resultatet er en sammenligning og ikke et skøn.
En afgrænsning som denne besvarer også det spørgsmål, IT stiller først: hvad agenten præcis må røre ved.
Copilot og en skræddersyet agent sammen
Dokumentmodtagelse er et eksempel på, hvordan en skræddersyet agent og Microsoft 365 Copilot kan arbejde sammen. Agenten arbejder i køen: den læser hvert indkommende dokument, arkiverer det i SharePoint eller i fagsystemet og logger, hvad den har gjort. Copilot arbejder derefter for menneskene: hvis agenten arkiverer dokumenter i SharePoint med ensartede navne og metadata, kan en projektleder bede Copilot om at finde den seneste submittal fra en bestemt underleverandør i det SharePoint-indhold, vedkommende har adgang til. En velfungerende agent gør Copilot mere nyttig, fordi den giver Copilot rent, velmærket indhold at finde.
Sikkerhedsmodellen hænger også sammen. Agenten kan køre under sin egen Entra ID-identitet med adgang begrænset til det, opgaven kræver. Folk ser fortsat kun det, deres egne tilladelser giver adgang til – i Copilot og alle andre steder.
Til Microsoft-partnere. En kunde, der rammer en af disse begrænsninger, dropper ikke Copilot. Kunden beder om det næste projekt oven på: en agent i den Microsoft 365-lejer, kunden allerede driver, med samme identitetsopsætning og, hvor den findes, samme Azure-abonnement. Når en kunde beder om agenter i Microsoft 365, kan du sige ja og levere under den samarbejdsmodel, du foretrækker. Licenserne bliver, og relationen rækker videre end udrulningen.
Sådan bygger Crunch-IS AI-agenter til Microsoft 365
Vores arbejde med udvikling af AI-agenter starter samme sted som denne artikel: med processen, ikke platformen. Vi ser på volumen, de systemer, agenten skal skrive til, og den log, nogen får brug for – og først derefter anbefaler vi Copilot Studio, Microsoft Foundry eller en skræddersyet løsning på Azure.
De agenter, vi bygger, kører under deres egen afgrænsede identitet, respekterer hver persons adgangsrettigheder og logger hver handling. De starter med at foreslå ændringer, som en person godkender, og et trin kører først på egen hånd, når dets fejlrate er lav nok.
Projekterne nævnt i denne artikel viser resultaterne i tal. E-mail-AI-agenten gjorde dokumentmodtagelsen 70–80 % hurtigere for en amerikansk byggevirksomhed. For en britisk IT-serviceudbyder gav en søgeassistent på tværs af SharePoint, Salesforce og S3 60 % hurtigere arbejde med virksomhedens dokumenter. For en anden britisk IT-servicevirksomhed gjorde en udtrækningsagent til scannede håndskrevne dokumenter dokumentbehandlingen 96 % hurtigere. Hvor behovet er en assistent bygget omkring én rolle frem for en proces, bygger vores team inden for udvikling af AI-copiloter den i stedet, og vores team inden for Azure-rådgivning sætter miljøet op nedenunder.
Konklusion
Microsoft 365 Copilot passer godt, når nogen skal skrive et udkast til et svar, opsummere en diskussion eller finde information, de kan handle på. Når det arbejde bliver en tilbagevendende teamproces, så se på, hvad der sker, efter at Copilot har givet svaret. Hvilke beslutninger skal nogen stadig træffe, og hvad gør de derefter?
Et workflow kan være nok, når de trin følger klare regler. En skræddersyet AI-agent er værd at overveje, når teamet gang på gang skal tolke det, der kommer ind, og bruge den vurdering til at handle på tværs af systemer. De to kan arbejde sammen. En agent kan håndtere den rutinemæssige modtagelse og arkivere resultaterne, mens folk bruger Copilot til at finde det, de har brug for, og beslutte, hvordan undtagelser skal håndteres.
