Hur jag skapade en AI-beslutsagent i ClickUp för att fatta smartare kampanjbeslut

Jag har använt många traditionella arbetsflöden och automatiseringar i ClickUp. De är utmärkta för att flytta uppgifter från A till B, uppdatera statusar eller tilldela ansvariga. Men vid ett tillfälle insåg jag något viktigt: ingen av dessa automatiseringar tänkte faktiskt på mina kampanjer.

Jag behövde ett system som kunde kombinera genomförande med intelligens. Och jag fann svaret i en AI-beslutsagent, som jag kallar Asset Library Manager.

I det här inlägget kommer jag att visa dig hur jag skapade denna AI-baserade beslutsagent i ClickUp (med hjälp av ClickUp Super Agents ) och varför den var nödvändig för mitt företag.

Om mig: Verifierad ClickUp-konsult och affärsprocessansvarig

Som certifierad ClickUp-konsult och affärsprocesschef med över fem års erfarenhet har jag hjälpt byråer och nystartade företag att skala upp sin verksamhet genom strukturerade system och genomförande. Jag har byggt upp och förvaltat operativa ramverk för över 40 företag, lett förändringsarbete för över 115 team och möjliggjort en operativ tillväxt på upp till 16,4 gånger samtidigt som leveranshastigheten och konsekvensen har förbättrats i miljöer med flera kunder.

Varför enkla automatiseringar inte räckte för mina kampanjer

Mina kampanjresurser var utspridda på olika platser, kampanjuppgifterna fanns i olika listor och det var fortfarande jag som bestämde vart varje resurs skulle placeras härnäst. Varje ny kampanj, region eller kanal innebar fler manuella beslut – och större risk för dubbelarbete, missade möjligheter eller brister i översikten.

Det var då jag ställde en annan fråga:

Tänk om jag slutade skapa arbetsflöden och istället började bygga ett intelligent system i ClickUp – ett system som kan fatta beslut åt mig?

🦾 Är du ny på ClickUp Super Agents?

ClickUp Super Agents är AI-drivna agenter som arbetar i din arbetsyta för att analysera dina uppgifter, data och aktiviteter – och vidta åtgärder utifrån det sammanhanget. Du kan ge dem en specifik roll (till exempel att prioritera arbete, uppdatera projektstatus eller vidarebefordra material), och de arbetar utifrån information från arbetsytan i realtid.

Vad utmärker dem?

Till skillnad från vanliga automatiseringar följer Super Agents inte bara regler. De:

• Få en helhetsbild av sammanhanget mellan uppgifter, dokument och kommentarer
• Fatta beslut (inte bara utlösa åtgärder)
• Anpassa efter hur ditt arbetsflöde utvecklas

Tänk på dem mindre som ”om-detta-då-det”-automatiseringar – och mer som AI-teammates som är integrerade i ditt system.

Ett nytt tankesätt: Från arbetsflöden till intelligenta system

Innan jag bygger en AI-agent i ClickUp tar jag ett steg tillbaka och definierar systemet.

Inte automatiseringen. Systemet.

För mig handlar det om tre frågor:

Jag ville att min AI-beslutsagent skulle ta över den mentala belastningen som det innebär att fatta beslut om kampanjer.

Så här såg det ut för min Asset Library Manager.

1. Syfte: Vilket problem försöker denna AI-beslutsagent lösa?

Jag ville ha en plats där alla kampanjresurser – videor, bilder, texter – fanns:

Med andra ord ville jag att min agent skulle ansvara för besluten om distributionen av marknadsföringsmaterial i ClickUp så att inget skulle falla mellan stolarna.

2. Systemkapacitet: Kan min konfiguration stödja AI-baserat beslutsfattande?

En AI-beslutsagent är bara så stark som det system den finns i. Därför är det logiskt att bygga den på en plats där dina uppgifter, dokument, relationer och kampanjdata samlas på ett och samma ställe. När en agent kan se helheten (material, platser, statusar, historik) i en sammanhängande digital arbetsmiljö baseras dess beslut på verkligheten, inte på gissningar.

För mig är ClickUps Converged AI Workspace just den platsen.

Med ClickUp slipper du att lappa ihop en samling fristående AI-verktyg som var och ett bara ser en liten del av din verksamhet. Istället får du ett intelligent lager som ligger ovanpå allt som ditt team faktiskt gör. Resultatet blir smartare rekommendationer, ingen kontextväxling och beslut vars kvalitet förbättras över tid eftersom agentens minne och din arbetsyta växer tillsammans.

Jag utformade min ClickUp-konfiguration så att Asset Library Manager skulle kunna:

Om mina listor, anpassade fält och relationer inte var väl genomtänkta skulle agenten antingen fastna eller skapa kaos. Därför betraktade jag systemdesignen som en del av själva agenten.

3. Agentens roll: Operatör, inte bara budbärare

Slutligen definierade jag agentens roll.

De flesta system är utformade på följande sätt: Om X inträffar → gör Y

Det är vad vi kallar enkel automatisering.

Jag ville ha något annorlunda. En AI-beslutsagent som kunde utvärdera sammanhanget och använda det för att fatta beslut precis som en människa skulle göra.

Min tillgångsbiblioteksansvarig har följande ansvarsområden:

När dessa tre delar väl var klarlagda blev allt annat enklare. Jag byggde inte längre bara en smart automatisering. Jag byggde vad jag kallar en Beyond Super Agent – en agent som förstår syftet, fungerar inom ett kapabelt system och har en tydligt definierad roll.

Hur jag strukturerade uppmaningarna för att göra AI-beslutsagenten tillförlitlig: Mina 5 pelare för uppmaningar

När systemet väl var klart gick jag vidare till den del som de flesta brukar hoppa till först: uppmaningar.

Men istället för att skriva en lång instruktion delade jag upp den i fem tydliga delar. Det gjorde AI-beslutsagenten enklare att styra, testa och finjustera.

Det här är de grundpelare för AI-prompter som avgör kvaliteten på de beslut som min agent fattar:

1. Rolldefinition: Vem föreställer denna agent?

Jag säger inte bara till agenten vad den ska göra – jag säger vem den ska vara.

📌 För Asset Library Manager bad jag den att fungera som:

”Erfaren byråägare och verksamhetsarkitekt som hanterar flera kunder.”

Den enda raden förändrar allt. Nu, när agenten svarar, gör den det ur perspektivet av någon som har:

2. Sammanhang och omfattning: I vilket sammanhang används den?

Därefter definierar jag sammanhanget och omfattningen så tydligt som möjligt:

Detta talar om för agenten var rummets väggar finns, så att den inte hamnar i fel del av mitt arbetsutrymme.

3. Beslutslogik: När och hur ska den fatta beslut?

Sedan beskriver jag beslutslogiken. Istället för att tala om för agenten vad den ska göra definierade jag hur den ska tänka.

Jag specificerar:

På så sätt nöjer sig agenten inte med att bara generera idéer. Den vet när den ska agera och hur bra beslut ser ut.

4. Indata: Vilka data litar den på?

Varje beslut är bara så bra som de data som ligger till grund för det. Därför kopplar jag min agent till de datalager den behöver:

Jag anger det tydligt i prompten: det här är de indata du ska använda när du bestämmer vad du ska göra härnäst.

5. Resultat: Vilka åtgärder och format kan jag förvänta mig?

Slutligen definierar jag utdata:

När dessa fem element är på plats – roll, sammanhang, beslutslogik, indata och utdata – stämmer lösningen oftast väl överens med det verkliga problemet jag försöker lösa.

🎥 Här är en kort genomgång om du vill prova att skapa din egen Super Agent:

Hur min AI-beslutsagent, även kallad Asset Library Manager, faktiskt fungerar i ClickUp

När grunden var på plats kopplade jag in agenten i mitt ClickUp-arbetsutrymme så att den kunde fungera på två huvudsakliga sätt.

Alternativ 1: Manuell utlösning från materialbiblioteket

Det första läget är enkelt och rakt på sak.

Redan detta i sig eliminerar en stor del av det manuella arbetet med att vidarebefordra material. Men den verkliga kraften ligger i det andra läget.

Alternativ 2: Schemalagt beslutsfattande

Det är i det andra läget som systemet verkligen blir ”Beyond Super Agent”.

Här använder agenten hela innehållet i materialbiblioteket för att fatta beslut på egen hand:

📌 Utifrån det kan den fatta beslut som:

”För det här strategiska materialet, som redan har använts i Islamabad och är en återhämtningsvideo, ska vi skicka en återhämtningsbild eller en mobilitetsbild härnäst.”

I stället för att jag ständigt ska behöva kontrollera var ett marknadsföringsmaterial har visats och vad som ska hända härnäst, granskar agenten data och fattar beslutet.

Varför jag använder ClickUp Chat för att samarbeta med min AI-agent

I ClickUp kan agenterna arbeta i hela ditt arbetsutrymme. Du kan aktivera dem via automatiseringar på listor, mappar och utrymmen (som reagerar på statusändringar, nya uppgifter och fältuppdateringar), tilldela dem direkt till uppgifter, @nämna dem i uppgiftskommentarer och dokument eller interagera med dem i ClickUp Chat via direktmeddelanden och @nämningar.

Men det är i chatten jag tillbringar mest tid med min agent, och det finns en anledning till det.

I min chatt för Asset Library Manager har jag två mål:

Chat ger mig ett gränssnitt i realtid där jag kan föra en konversation, nästan som att ha en kollega i beredskap. Jag kan använda det för att:

Det är skillnaden mellan att skicka in en förfrågan och att föra en dialog.

För en agent som Asset Library Manager, där beslut bygger på varandra och sammanhanget spelar roll, är det just den här typen av iterativ dialog som får hela systemet att fungera.

När agenten får ett utbrott

Med tiden märkte jag något roligt: om mitt kommando inte var tydligt brukade agenten få ett slags ”utbrott”. Inte för att den var trasig – utan för att min uppmaning inte gav den förutsättningar att lyckas.

Det är då jag alltid återvänder till de fem grundpelarna:

När dessa är på plats blir samtalet otroligt produktivt.

Stresstesta systemet med ett enkelt meddelande

Ett av mina favoritögonblick med den här agenten var när jag körde ett fullständigt stresstest med ett enda chattkommando.

📌 Jag sa till agenten:

”Jag vill göra ett stresstest. Starta processen automatiskt genom att välja slumpmässiga platser och skapa kampanjuppgifter enligt flödet. Se till att du inte missar någon del av flödet och att det inte finns några dubbletter bland uppgifterna. Fråga mig vad du vill innan du kör testet.”

🌟 Så här gick det till:

I ett samtal krävdes 15–30 åtgärder, och jag fick en tydlig uppfattning om var mitt system skulle kunna bryta samman när vi skalar upp.

Resultatet? Jag insåg att min lösning fungerade bra upp till cirka 50 platser, men att systemet kunde få problem om jag försökte skala upp till över 100. Den insikten fick jag inte från en översiktssida, utan genom att prata med min agent.

Använda agenten som rapporteringspartner

👉🏼 Jag använder också chatten för att ställa enkla men effektiva frågor, till exempel:

👉🏼 Agenten svarar med en lista över material, vart de har skickats och länkar tillbaka till ClickUp. Sedan tar jag det ett steg längre:

”Ge mig en sammanfattning av de senaste 24 timmarna och rekommendera de 10 bästa platserna där dessa resurser bör distribueras härnäst – med tydliga motiveringar för varje rekommendation.”

Nu använder agenten:

…för att rekommendera exakt vart jag ska gå härnäst – och varför.

👉🏼 Om jag vill fördjupa mig kan jag ställa följdfrågor som:

Agenten använder samma data och logik för att ge mig ett konkret svar.

Från en smart AI-beslutsagent till en skalbar beslutsmotor

Vid det här laget har min Asset Library Manager blivit ett stabilt AI-baserat beslutslager ovanpå mitt ClickUp-arbetsutrymme.

Innan dess var jag ständigt:

Nu sköter AI-beslutsagenten den här processen.

Jag fattar fortfarande det slutgiltiga beslutet när det behövs. Men jag behöver inte längre börja från noll. Och den här förändringen blir allt vanligare.

Enligt en rapport från McKinsey & Company ser företagen den största mätbara effekten av AI inom områden som marknadsföring, försäljning och strategi – där beslutsfattandet spelar en central roll.

Nästa steg: Så här skapar du din egen AI-beslutsagent i ClickUp

Om du hanterar marknadsmaterial på flera platser, i flera kanaler eller för flera kunder behöver du inte för evigt leva i kalkylark och manuell vidarebefordran.

Börja med att fråga dig själv:

Utforma sedan din första agent utifrån dessa svar.

Avsluta med att spendera lite tid i chatten – ställ frågor, kör stresstester och låt agenten visa dig var ditt system behöver utvecklas.

På så sätt går du ett steg längre än automatisering och börjar bygga ett intelligent system i ClickUp som verkligen arbetar för din räkning.

Från AI-experiment till verkligt AI-baserat beslutsfattande

Om du vill automatisera beslutsfattandet med AI är detta mitt bästa råd:

Sluta fundera:

❌ ”Hur kan AI hjälpa mig att göra detta snabbare?”

Och börja fundera på:

✅ ”I vilka situationer bör AI fatta beslut åt mig?”

De flesta team befinner sig fortfarande i den första fasen. De experimenterar. De testar verktyg. De automatiserar små uppgifter.

Men den verkliga fördelen uppnås när du inför en AI-beslutsagent i ett system som redan är uppbyggt för detta.

Det är då:

Det är därför detta fungerar i ClickUp.

Eftersom allt – uppgifter, data och sammanhang – finns på ett och samma ställe kan din AI-beslutsagent faktiskt se vad som händer. Och ännu viktigare: den kan agera utifrån det.