AI-agenter är de nya användarna - är din produkt redo?

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

Illustration som visar tre gränssnitt för tre världar. Till vänster: kugghjul som representerar Code med API. I mitten: en stiliserad robot som representerar AI Agent med Text based API (markdown). Till höger: en person som representerar Human med Graphical User Interface. En pil under visar skalan från API via Text based API till GUI. — AI-agenter, en ny form av användare

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

Skärmdump av Stripes dokumentation med rubriken 'Instructions for Large Language Model Agents: Best Practices for integrating Stripe'. Texten innehåller detaljerade instruktioner för LLM-agenter om hur de ska använda Stripe API:et, inklusive att prioritera Payment Intent API framför Charges API, använda Payment Element eller Checkout istället för äldre Card Element, och undvika föråldrade endpoints som Sources API och Tokens API. Dokumentationen är skriven i markdown-format och innehåller länkar till olika delar av Stripes dokumentation.

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.

Skärmdump av en konversation där en användare ber en AI-agent hämta försäljningssiffror från Stripe. Agenten svarar att den behöver HTTP-kapabilitet och API-nyckel, vilket visas med röda kryss som 'disabled' respektive 'not provided yet'. EnToggleInställning för HTTP requests visas avstängd. Användaren delar sedan sin Stripe API-nyckel.

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.

AI-agent visar Stripe-försäljningssammanfattning med kontobalans, fem senaste transaktionerna från AI-kurser och hackathons, samt nyckelinsikter om produkter och bokningsaktivitet.

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).

Skärmdump som visar hur en AI-agent skapar en React-dashboard för Stripe-försäljningsdata. Användaren ber om en visualisering, och agenten svarar att den ska skapa en React-komponent med diagram och ren layout. Dashboarden visar tre KPI-kort (Available, Pending och Total Sales med 95 försäljningar), en lista över Top Courses med Gen AI Transformation (28 sålda), Generative AI för Produktägare (22), Design of AI Agents (18), AI-Agent Hackathon (15) och Gen AI Champion Training (12), samt Latest Transactions som listar de fem senaste transaktionerna med belopp i SEK och EUR.

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!