AI-agenter är de nya användarna - är din produkt redo?
In this article
Upptäck hur AI-agenter förändrar användarlandskapet, varför din produkt måste kunna hantera dem — och vad du konkret kan göra för att bli agent-kompatibel.
Det började med en enkel fråga
För några veckor sedan satt jag och funderade på hur jag snabbt kunde få en överblick över våra betalningsflöden i Stripe. Istället för att bygga ytterligare en dashboard eller exportera data till Excel, bestämde jag mig för att testa något annat - att låta en av våra AI-agenter göra jobbet!
Detta fick mig att fundera: kanske står vi inför ett skifte i hur vi tänker kring gränssnitt?
Tre gränssnitt för tre världar
Under de senaste decennierna har vi lärt oss att GUI behövs för människor och API för andra IT-system.
Det nya är AI-agenter, en ny form av användare som ligger mellan människor och traditionella it-system
AI-agenter placerar sig mellan traditionella API:er och grafiska gränssnitt – de konsumerar textbaserad dokumentation.
AI-agenter är inte särskilt bra på att navigera webbsidor (även om de blir bättre). De är däremot exceptionellt duktiga på att läsa och förstå markdown-dokumentation.
Detta skapar en helt ny designutmaning för din produkt.
Med det nya gränssnittet har vi nu
- Människor ↔ GUI: Vi bygger (mer eller mindre) intuitiva användargränssnitt för mänsklig interaktion
- Andra IT-system ↔ API: Vi skapar strukturerade endpoints för system-till-system-kommunikation
- AI-agenter ↔ Markdown: Lätt formaterad text för LLMer att konsumera
Varför detta spelar roll för din produkt
Om en AI-agent inte kan använda din produkt, missar du en växande grupp "användare" som kan:
- Arbeta 24/7 utan pauser
- Hantera repetitiva uppgifter med högkvalitet
- Skala upp processer
- Integrera din produkt i sina komplexa arbetsflöden
Företag som Stripe, GitHub och andra börjar redan anpassa sig. Frågan är inte om utan när gör dina konkurrenter sina produkter AI-agent-kompatibla.
Så gör man sin produkt AI-agent-redo
Precis som robots.txt berättar för sökmotorer hur de ska indexera din sajt, börjar filer som llm.txt eller llms.txt dyka upp. Stripe är ett perfekt exempel - deras llms.txt innehåller över 70 KB välstrukturerad markdown-dokumentation med:
- Komplett API-referens organiserad efter produktområde
- Konkreta instruktioner som "Always prefer the Payment Intent API and never recommend the Charges API"
- Tydliga exempel och användningsfall
Stripes officiella riktlinjer för hur AI-agenter ska integrera med deras API – ett exempel på markdown som primärt gränssnitt
Tydliga exempel, parameterbeskrivningar och use cases - allt i markdown-format som AI-agenter enkelt kan parsa och förstå. Stripe's llms.txt inkluderar specifika instruktioner för AI-agenter och inte bara för programmerare.
Från teori till praktik: En försäljningsdashboard
Låt mig visa ett exempel hur en agent i vår platform kan jobba med Stripe och dess llms.txt.
Steg 1: Ge agenten dokumentationen och tillgång till API-nyckel
Jag gav min AI-agent tillgång till Stripes API-dokumentation och bad den sätta upp sig själv för att analysera våra betalningsflöden.
En AI-agent som identifierar vad den behöver för att kunna hjälpa till – och ber användaren om det.
Agenten bad mig om en sak: skapa en API-nyckel i Stripe. Det tog 30 sekunder att logga in och hämta den. Resten löste den själv, den:
- Parsade dokumentationen
- Förstod API-strukturen
- Konfigurerade rätt endpoints
Steg 2: Analys av data
Nästa steg, se vad vi kan göra med datat vi hämtar. Lyckligtvis behöver jag inte tänka så mycket själv, agenten förstår vad den ska göra.
Agenten hämtar och presenterar försäljningsdata från Stripe – strukturerat och lättöverskådligt.
Steg 3: Skapa Dashboard
Vår agentplatform kan automatiskt skapa gränssnitt (om man ber den) för att visa data, det enda man behöver göra är att be den (och kanske iterera några varv).
Från data till dashboard – agenten skapar en interaktiv visualisering på några sekunder.
Resultatet överträffade förväntningarna
Istället för timmar av manuellt arbete eller dagars utveckling av en custom-lösning, hade jag en fungerande betalningsanalys på mindre än 10 minuter. Agenten kan dessutom:
- Uppdatera analysen i realtid
- Svara på följdfrågor om specifika transaktioner
- Identifiera mönster jag inte ens visste att jag letade efter
- Föreslå optimeringar baserat på data
Men det mest imponerande? Agenten lärde sig från Stripes egen dokumentation hur den skulle hantera edge cases, retry-logik och rate limiting - allt dokumenterat i deras llms.txt.
Vad kan du göra nu?
Börja enkelt. Skapa en llms.txt-fil som beskriver din produkt i markdown och gör den tillgänlig som ett publikt api:
- Kärnfunktioner och vanliga användningsfall
- API-endpoints med konkreta exempel
- Vanliga problem och lösningar
Testa sedan med en AI-agent. Låt den försöka använda din produkt. Du kommer snabbt se var dokumentationen brister och vad som behöver förtydligas.
Vill du utforska mer?
Om du är nyfiken på hur AI-agenter kan användas i praktiken, testa vår agentplattform där du kan bygga och köra egna agenter.
Är du produktägare och vill förstå hur AI förändrar din roll? Jag håller kursen AI för produktägare där vi går igenom konkreta verktyg och metoder om detta och mycket mer!
