Introduksjon: Det strategiske spørsmålet bak AI-agentbyggere for salgsteam
Hvert stort plattformskifte innen teknologi omskriver til slutt go-to-market-strategien. PC-programvare skapte SDR-er i stor skala. SaaS gjorde leadgenerering om til et metrisk spill. Mobil ga opphav til samtalebaserte kontaktpunkter. Det nåværende skiftet – AI-agentbyggere for salgsteam – er mer enn bare et verktøy i stabelen; det er et forsøk på å konvertere arbeidsflyter til flyhjul. Det strategiske spørsmålet er enkelt: Vil AI-agentbyggere for salgsteam bare automatisere utgående meldinger og leadpleie, eller vil de skape nye aggregeringspunkter som endrer hvem som eier kundeforholdet, dataene og til syvende og sist marginen?
Dette essayet argumenterer for at det siste er både mulig og, i noen tilfeller, sannsynlig. AI-agentbyggere for salgsteam er ikke bare robotiske SDR-er; de er potensielle orkestreringslag som forener data, meldinger og tilbakemeldingssløyfer. Hvis disse agentene bygges og distribueres riktig, kan de gjøre salgssekvenser om til adaptive systemer – redusere kostnadene ved utgående meldinger, øke responshastigheten og forbedre kvaliteten på pleien. Implikasjonene forgrener seg: kvoteplanleggingen endres, kanalstrategiene skifter, og tyngdepunktet i salgsstabelen flyttes fra kanaler (e-post, samtaler, LinkedIn) til agenter som lærer på tvers av dem.
For å komme dit må imidlertid markedet gå gjennom en kjent sti: fra funksjoner til rammeverk, fra automatisering til fordel. Denne artikkelen beskriver de sentrale tankemodellene, den historiske konteksten, designvalgene for AI-agentbyggere, og hvordan man evaluerer leverandører og plattformer. Den forklarer også hvor risikoen ligger, hvordan man behandler data og styring som førsteklasses begrensninger, og hva det betyr å drive en hybrid salgsorganisasjon med mennesker og AI.
Bakgrunn: Fra sekvenser til systemer
Salgautomatisering har utviklet seg langs tre akser:
- Kanaler til siloer: Masseutsendelse av e-post, oppringere og CRM-integrasjoner digitaliserte separate aktiviteter, men overlot orkestreringen til mennesker. Resultatet var skala uten tilpasningsevne.
- Playbooks til sekvenser: Sekvenseringsverktøy kodet beste praksis, forbedret konsistens og muliggjorde A/B-testing. Optimaliseringen var imidlertid batchbasert og treg.
- Signaler til systemer: Intensjonsdata, firmagrafikk og atferds telemetri lovet personalisering, men integrasjonsfriksjon og datasiloer begrenset den praktiske effekten.
AI-agentbyggere for salgsteam lover en fjerde akse: agenter som opererer på tvers av kanaler, innhenter sanntidssignaler og oppdaterer strategien i selve sekvensen. Distinksjonen er subtil, men viktig. Tradisjonelle automatiseringsverktøy var programmerbare; AI-agentbyggere er adaptive. Programmerte systemer følger instruksjoner; adaptive systemer oppdaterer instruksjonene etter hvert som resultatene dukker opp.
Historisk sett har hver akse sammenfalt med et skifte i kontrollsenteret:
- Selgeren kontrollerte kanalstabelen.
- Drift kontrollerte sekvensstabelen.
- RevOps og datateam kontrollerte signalstabelen.
- Med AI-agentbyggere graviterer kontrollen mot et orkestreringslag som sitter mellom data og utførelse. Hvem som eier dette laget, blir den strategiske variabelen.
Metodikk: Et rammeverk for evaluering av AI-agentbyggere for salgsteam
For å analysere dette markedet er det nyttig å dele problemet inn i fem lag. Hvert lag bidrar til om AI-agentbyggere virkelig automatiserer utgående meldinger og leadpleie på en måte som forsterkes.
- Identitetsoppløsning: Kan systemet forene leads, kontoer og kontakter på tvers av CRM, MAP, produkttelemetri og tredjepartsdata? Uten ID-grafer med høy kvalitet kollapser personaliseringen til templatesøppel.
- Ferskhet og dekning: Nøyaktighet slår volum; dekning er meningsløs hvis berikelsen er utdatert.
- Samtykke og overholdelse: Utgående meldinger uten styring er risiko, ikke vekst. Innebygd støtte for opt-out, regionale regler og revisjonsspor er essensielt.
- Modell- og resonnementsevner
- Retrieval-augmented generation (RAG): Effektive agenter henter riktig kontekst til rett tid: personas, bransjespesifikasjoner, produktoppdateringer og tidligere interaksjoner.
- Multi-agent-koordinering: Prospektering, kvalifisering og pleie er forskjellige oppgaver med forskjellige belønningsfunksjoner. Koordinering av agenter (eller agenttilstander) er nøkkelen.
- Verktøybruk: Agenter må kalle eksterne verktøy – CRM-skriving, kalenderbestilling, berikelses-API-er, til og med tilpassede scoringsmodeller.
- Sikkerhetsnett: Stilretningslinjer, samsvarsregler, prisfølsomhet og juridiske formuleringer bør være konfigurerbare og håndhevbare.
- Eksperimentering: Kampanjer bør kjøres som kontrollerte forsøk med kohortnivålæring og rask konvergens.
- Tilbakemeldingssløyfer: Resultater (møter booket, svar, returer) og mellomliggende signaler (åpninger, CTR-er, tid-til-respons) må føres tilbake til policyen.
- Multimodal utgående meldinger: E-post, LinkedIn, meldinger i appen og samtaleplanlegging. Agenter bør resonnere rundt kanalvalg og timing.
- Personaliseringsdybde: Utover brevfletting. Ekte tilpasning bruker kontoutløsere, rollespesifikke smertepunkter og dynamisk innvendingshåndtering.
- Svarhåndtering: Opplåsingen i AI-agentbyggere for salgsteam ligger i å håndtere svar med nyanse: ruting av ekte interesse vs. overfladiske innvendinger vs. fraværsbetingelser.
- Attribusjon: Hvem som får æren – agent, representant eller kampanje – er viktig for incentivjustering.
- Sikkerhet og merkevarerisiko: Arbeidsflyter med mennesker i sløyfen bør være standard for høyrisikotrinn; full autonomi opptjenes av ytelse, ikke gitt av tro.
- Kostnad-til-verdi: Tokenbruk, berikelsesgebyrer og kanalkostnader vs. inkrementell pipeline, konverteringshastighet og avtalestørrelse.
Dette rammeverket lar oss skille hype fra utnyttelse. Spørsmålet er ikke om AI kan skrive e-poster; det er om en agent konsekvent kan generere kvalifisert pipeline, med sporbar logikk og inneholdt risiko.
Analyse: Hvorfor AI-agentbyggere endrer salgsstabelen
Løftet om AI-agentbyggere for salgsteam kartlegges til tre strategiske spaker:
- Variabel kostnadskompensasjon: Utgående meldinger er mindre begrenset av antall ansatte og mer av databehandlings- og datakostnader; etter hvert som modellens ytelse forbedres, faller marginalkostnaden for ytterligere utgående meldinger.
- Hastighet-til-signal: Adaptive sekvenser forkorter læringsløyfen fra uker til dager eller timer, og forbedrer fordelingen av innsats på tvers av segmenter og meldinger.
- Personalisering i stor skala: Personalisering som en gang krevde manuell research blir innebygd, og forbedrer responsratene samtidig som merkevaretonen opprettholdes.
Disse spakene aktiverer et kjent mønster fra Aggregeringsteori: enheten som eier etterspørselssidens oppmerksomhet og tilbakemeldingssløyfer, oppnår makt over tilbudssidens verktøy. I salg er ikke «etterspørsel» forbrukernes oppmerksomhet, men prospektengasjement. Hvis AI-agentbyggere for salgsteam utvikler seg til å bli det primære grensesnittet for prospektinteraksjoner, begynner de å aggregere etterspørselssignaler – åpningsrater, svar, samtaleaksepteringer, møtebestillinger – og oversette dem til policy. Det reduserer igjen forhandlingsmakten til punktløsninger (e-postavsendere, oppringere) og hever orkestreringslaget.
Implikasjonen er klar: CRM-er forblir systemer for registrering; agentbyggere blir systemer for handling. Bryteren er ikke umiddelbar – eldre prosesser, risikotoleranse og anskaffelsessykluser sikrer overgangsperioder – men retningen er tydelig. Leverandører som tilpasser sine produktveikart rundt orkestrering, ikke bare innholdsproduksjon, vil ha fordel.
Salgstrakten omformulert som et flyhjul
En nyttig modell for AI-agentbyggere er flyhjulet: Prospektering → Personalisering → Engasjement → Signalfangst → Policyoppdatering → Prospektering. I stedet for å skyve prospekter gjennom en trakt, trekker systemet forbedring gjennom hver sløyfe.
- Prospektering: Agenten identifiserer kontoer basert på ICP-tilpasning pluss øyeblikksbilder – endringer i tech stack, ansettelsestrender, produktmilepæler.
- Personalisering: Agenten bygger meldingshypoteser forankret i kontokonteksten og rollebaserte smertepunkter; innholdsreferanser hentes via RAG.
- Engasjement: Agenten velger kanalmix og kadens; trygge tilfeller automatiseres mens usikre tilfeller ber om menneskelig gjennomgang.
- Signalfangst: I stedet for bare å logge åpninger og klikk, klassifiserer agenten svarsentiment, trekker ut innvendinger og oppdager kjøpssignaler i nær sanntid.
- Policyoppdatering: Agenten oppdaterer maler, kadenser og mållister basert på målbare løft og avskriver tapende strategier raskt.
Når flyhjulet går rundt, skjer det to ting: (1) leadpleie blir kontinuerlig justert, og (2) kostnadene for utgående meldinger per kvalifisert mulighet faller. Det er viktig at flyhjulet bare fungerer med tett dataintegrasjon og klare resultatdefinisjoner. Hvis «møte booket» er den eneste suksessmetrikken, vil systemet overoptimalisere for grunne seire; bedre policyer inkluderer kvalifisert pipelineverdi og innvirkningsgrad.
Hva du skal automatisere: Utgående meldinger og leadpleie etter oppgave
AI-agentbyggere for salgsteam bør ikke automatisere alt samtidig. Tenk i stedet i form av oppgaveporteføljer med risikojustert autonomi.
- Prospektundersøkelse: Høy ROI, lav risiko. Automatiser datainnhenting fra nettsteder, produktdokumenter, resultatkonferanser og nyheter; generer rollespesifikke verdihypoteser.
- E-postutkast for første kontakt: Middels risiko. Bruk AI for generering med menneskelig forhåndsgodkjenning; håndhev tone- og samsvars sikkerhetsnett.
- Orkestrering av flere kanaler: Middels til høy risiko. Autonomien øker etter hvert som nøyaktigheten av svarklassifisering og samsvar med opt-out når terskler.
- Svartriagering og innvendingshåndtering: Høy ROI, middels risiko. AI kan klassifisere, trekke ut neste trinn, utarbeide svar og rute til riktig person.
- Leadpleiesekvenser: Høy ROI, middels risiko. Bruk mikropersonalisering utløst av intensjonssignaler og produktbruk; prioriter dynamisk innhold.
- Møtebestilling og overlevering: Middels ROI, høyere risiko. Automatiser planleggingsarbeidsflytene med menneskelig tilsyn, og sørg for CRM-hygiene.
En trinnvis utrulling – utvidelse av autonomi fra research til svar til pleie – tjener tillit internt samtidig som resultatene forsterkes.
Bygge vs. kjøpe: Plattformer, punktløsninger og agentbyggere
Selskaper står overfor tre valg:
- Kjøp en spesialisert agentbygger for salgsteam som tilbyr ende-til-ende-orkestrering med meningsbaserte arbeidsflyter og sikkerhetsnett.
- Sett sammen de beste verktøyene (LLM API-er, berikelse, sekvensering, kalendere) og bygg et tilpasset agentlag internt.
- Utvid CRM eller MAP gjennom plugins og tilpasset automatisering, og behandle agenter som funksjoner snarere enn plattformer.
Beslutningen avhenger av datakompleksitet, samsvarsbegrensninger og internt talent. Bedrifter med streng styring og dype dataeiendommer foretrekker kanskje tilpassede bygg eller private distribusjoner. Mellomstore bedrifter favoriserer vanligvis SaaS-agentbyggere som leverer sterke standardinnstillinger og rask iterasjon. Oppstartsbedrifter kan legge vekt på hastighet og kostnader, og teste flere verktøy parallelt før standardisering.
Fra et leverandørevalueringsperspektiv, se etter:
- Bevis på læringsløyfer: Forbedres ytelsen over tid for din ICP, eller er leverandøren avhengig av global, ikke-spesifikk opplæring?
- Klarhet rundt datagrenser: Brukes dataene dine til å forbedre andre kunders modeller? Hvordan lagres embeddings? Hva er slettingsgarantiene?
- Virkelige beregninger: Før-og-etter-statistikk om svarfrekvens, positiv svarfrekvens, møtekonvertering og pipeline per representant.
Økonomi: Måle innvirkning utover forfengelighetsmetrikker
AI-agentbyggere for salgsteam må rettferdiggjøre seg selv med økonomi, ikke demoer. En enkel måte å modellere innvirkning på er å dekomponere pipeline i input:
- Pipeline = Utgående meldingsvolum × Leveringsdyktighet × Svarfrekvens × Positiv svarandel × Møtekonvertering × Kvalifiseringsrate × Vinnerandel × ACV
Agentbyggere påvirker flere variabler samtidig:
- Utgående meldingsvolum: Skalerer med databehandling; begrenset av leveringsdyktighetsomdømme.
- Svarfrekvens: Forbedres med personaliseringskvalitet og kanaltiming.
- Positiv svarandel: Øker med bedre ICP-målretting og innvendingshåndtering.
- Møtekonvertering: Økes av umiddelbar oppfølging og planleggingsautomatisering.
- Kvalifisering og vinnerandel: Påvirkes av klarheten i verdihypoteser og bedre oppdagelsesforberedelse.
Den sammensatte effekten kan være betydelig. Hvis en agentbygger løfter svarfrekvensen fra 2 % til 4 %, øker positiv andel fra 25 % til 35 % og forbedrer møtekonverteringen fra 40 % til 50 %, kan nedstrøms pipelinen mer enn dobles selv før ACV-endringer er tatt med i beregningen. Advarselen: leveringsdyktighetsrisikoen øker med volum; det er her policy og omdømmestyring blir førsteklasses bekymringer.
Risikoer og begrensninger: Leveringsdyktighet, drift og styring
Tre risikoer fortjener spesiell oppmerksomhet:
- Forringelse av leveringsdyktighet: Aggressiv utgående melding skader domeneomdømmet. Agenter må administrere sendevolum, oppvarming og målrettingspresisjon. Delt infrastruktur på tvers av kunder kan forårsake følgeskader; foretrekk dedikerte IP-er og domener når volumet rettferdiggjør det.
- Modelldrift og hallusinasjon: Uten tett henting og klare stilretningslinjer kan agenter introdusere feil eller love for mye funksjoner. Kontrollpunkter med mennesker i sløyfen og forhåndsvisningskøer reduserer risikoen.
- Samsvar og merkevaresikkerhet: Jurisdiksjonelle regler (f.eks. GDPR, CAN-SPAM), samtykkesporing og opt-out-håndtering må automatiseres og være auditerbare. Juridisk godkjente språkblokker bør håndheves ved genereringstidspunktet.
Styring er ikke en ettertanke; det er muliggjører som lar autonomi skalere.
Strategi: Hvor verdien oppstår
Det sentrale strategiske spørsmålet gjenstår: hvem fanger margin etter hvert som AI-agentbyggere for salgsteam blir vanlig?
- Modellleverandører fanger databehandlingsmargin i stor skala, men blir i økende grad standardisert av konkurranse og kundespesifikk tuning.
- Punktverktøy (sekvenserere, oppringere, berikelse) risikerer å bli utskiftbare verktøy.
- Systemer for registrering (CRM-er) beholder forankring gjennom datatyngdekraft og arbeidsflyt-treghet.
- Orkestreringslag – ekte agentbyggere – får innflytelse ved å aggregere etterspørselssidesignaler og gjøre dem om til policy som forbedres over tid.
Med andre ord, verdien oppstår der læring skjer. Leverandører som eier tilbakemeldingssløyfen – signaler til policy til utførelse – vil bygge forsvarlighet. De som bare genererer innhold, vil ikke det.
Praktisk playbook: Implementering av AI-agentbyggere for salgsteam
En pragmatisk vei til distribusjon balanserer hastighet med kontroll.
- Ren CRM-hygiene: dupliser poster, bekreft feltdefinisjoner og etabler lead-til-kontomatching.
- Integrer produktbrukstelemetri hvis tilgjengelig; det er et kraftig pleiesignal.
- Definer ICP og personas eksplisitt; tvetydighet undergraver agentpolicyen.
- Lag stilretningslinjer med godkjente formuleringer og forbudte påstander.
- Etabler autonominivåer: kun utkast, automatisk sending under terskler og full autonomi for lavrisikosegmenter.
- Bygg en leveringsdyktighetsplan: domenestrategi, oppvarming og omdømmeovervåking.
- Eksperimenteringsrammeverk
- Behandle kampanjer som eksperimenter med definerte hypoteser og suksessmetrikker.
- Segmenter kohorter etter bransje, rolle og selskapsstørrelse; mål deltaer, ikke absolutter.
- Oppdater policyer ukentlig i begynnelsen; skyv til daglig etter hvert som tilliten vokser.
- Samarbeid mellom mennesker og AI
- SDR-er blir anmeldere og signalforsterkere; AEs håndterer komplekse innvendinger og verdifulle kontoer.
- Gi raske tilbakemeldingsmekanismer – godkjenn, rediger, avvis – som gir agentens læring.
- Insentiver resultater, ikke aktivitetsantall; ellers vil automatiseringen jage de gale målene.
- Spor ikke bare møter, men kvalifisert pipeline og bidrag fra lukkede vinn.
- Sammenlign med historiske grunnlinjer og matchede kontrollkohorter.
- Modellere enhetsøkonomi: kostnad per kvalifisert mulighet før og etter distribusjon.
Konkurranselandskap og rollen til Sider.AI
Leverandørlandskapet er mangfoldig: CRM-etablerte selskaper som legger til AI-funksjoner, sekvenseringsplattformer som implanterer generering, og født-agent-plattformer som bygger orkestrering-først-stabler. Differensieringen avhenger av tre akser: integrasjonsdybde, policysofistikasjon og læringsløyfer.
Vurder Sider.AI: I sammenheng med AI-agentbyggere for salgsteam, dreier verdiforslaget seg om å gjøre ustrukturert kunnskap – playbooks, brief og produktdokumenter – om til konsistent, kontekstbevisst utgående kommunikasjon, samtidig som operatørene får tydelige styringsmuligheter over policy og eksperimentering. Fra et strategisk perspektiv stemmer denne typen tilnærming overens med hvor verdien oppstår: ikke i generisk tekstforfatning, men i å kodifisere selskapets kunnskap og kontinuerlig forbedre den basert på resultater. For organisasjoner som ønsker å automatisere utgående kommunikasjon og lead nurturing uten å gi slipp på styringen, er kjernespørsmålet om en agentbygger kan operasjonalisere dine unike data og din stemme; dette er nettopp aksen Sider.AI forsøker å konkurrere på. Eksempel: Automatisere Nurture Uten Å Ofre Merkevaren
Et SaaS-selskap i mellomsegmentet som selger til IT-direktører, piloterer en AI-agentbygger for salgsteam på tvers av to segmenter: eksisterende leads som har blitt kalde og helt nye ICP-kontoer.
- Utgangspunkt: 30 000 månedlige e-poster, 2,3 % svarprosent, 28 % positiv andel, 37 % møtekonvertering, 18 % kvalifisert rate.
- Implementering: Kun utkast for høyverdi-kontoer; automatisk sending for lavrisiko-segmenter. Sikkerhetstiltak inkluderer godkjente brukstilfeller, sikkerhetsspråk og prispolicybegrensninger.
- Etter 8 uker: 3,9 % svarprosent (+70 %), 34 % positiv andel (+21 %), 46 % møtekonvertering (+24 %), 23 % kvalifisert rate (+28 %). Total kvalifisert pipeline økte 1,9x; leveringsdyktighetsmetrikker ble opprettholdt på grunn av domene strategi og volumgrenser.
To mindre åpenbare lærdommer dukket opp:
- Innvending klynger identifiserte et sikkerhetssertifiseringsgap; markedsføring prioriterte en innholdsressurs som direkte adresserte det, og forbedret den positive andelen ytterligere.
- Agentdrevet svar triage frigjorde SDR-er til å utføre live discovery på svar med høy intensjon, og forbedret vinnerratene for disse kohortene.
Fremtidsutsikter: Agenter som Det Nye Abstraksjonslaget
Den langsiktige utviklingen peker mot agenter som grensesnittet til både potensielle kunder og interne systemer. Tre utviklinger å se opp for:
- Multi-agent spesialisering: Separate agenter for research, utkast, kvalifisering og nurture, koordinert av en policy engine som behandler hver enkelt som et verktøy.
- Sanntidsberikelse: Hendelsesdrevne triggere fra datavarehus og produktanalyse vil drive just-in-time utgående kommunikasjon og dynamiske nurture-veier.
- Privat finjustering og gjenfinning: Selskaper vil i økende grad kreve private modelltilpasninger og on-premise gjenfinningslag for å beskytte IP og sikre konsistens.
For AI-agentbyggere for salgsteam er den vinnende strategien å bli operativsystemet for inntekts generering – ikke ved å erstatte CRM-er, men ved å transformere statiske poster til dynamisk handling.
Konklusjon: Fra Automatisering til Fordel
AI-agentbyggere for salgsteam handler ikke bare om å skrive bedre e-poster eller automatisere kadenser. De handler om å kodifisere dømmekraft – hvem man skal nå, hva man skal si, når man skal følge opp – og stramme sløyfen mellom signal og handling. Resultatet, når det utføres med styring, er en svinghjul effekt: mer utgående kommunikasjon informert av bedre kontekst, som genererer tydeligere signaler som forbedrer policy, reduserer kostnad per mulighet samtidig som kvaliteten forbedres.
Strategisk sett oppstår verdi i orkestreringslaget som lærer. Leverandører som fokuserer på styring, integrasjon og målbar forbedring vil konsolidere makt; de som bare tilbyr innhold, vil bli standardisert. For operatører er mandatet klart: invester i databeredskap, sett sikkerhetstiltak, mål reelle resultater, og skaler autonomi etter hvert som tilliten vokser. Organisasjonene som behandler agenter ikke som assistenter, men som systemer, vil konvertere automatisering til fordel.
Kort sagt, "automatiser utgående kommunikasjon og lead nurturing" er inngangsporten. Destinasjonen er et nytt kontrollplan for go-to-market – et som gjør arbeidsflyter om til svinghjul effekter og aktivitet til sammensatt ytelse.
FAQ
Q1: Hva er AI-agentbyggere for salgsteam, i praktiske termer?
De er orkestreringslag som automatiserer og tilpasser utgående kommunikasjon og lead nurturing på tvers av kanaler. I stedet for faste sekvenser bruker de data, gjenfinning og tilbakemeldings sløyfer for å oppdatere meldinger og målretting i sanntid.
Q2: Hvordan automatiserer AI-agentbyggere utgående kommunikasjon uten å skade leveringsdyktigheten?
Policykontroller administrerer sendevolumer, oppvarming og målrettingspresisjon, mens sikkerhetstiltak håndhever samsvarende språk og håndtering av opt-out. Vellykkede implementeringer kombinerer autonominivåer med overvåking av domene rykte og eksperimenter på kohortnivå.
Q3: Hvilke metrikker beviser at AI-agentbyggere forbedrer lead nurturing?
Fokuser på svarprosent, positiv svarandel, møtekonvertering og kvalifisert pipeline bidrag, ikke bare sendinger eller åpninger. Sammenlign kohorter mot utgangspunkt for å verifisere virkningen på konverteringshastighet og nedstrøms vinnerrater.
Q4: Skal vi bygge vår egen AI-agentbygger eller kjøpe en plattform?
Kjøp når du trenger rask time-to-value og meningsfulle sikkerhetstiltak; bygg når styring, data gravitasjon eller tilpasning krever en privat løsning. De avgjørende faktorene er integrasjonsdybde, lærings sløyfer og teamets kapasitet til å drive systemet.
Q5: Hvor passer Sider.AI blant AI-agentbyggere for salgsteam?
Sider.AI fokuserer på å gjøre din proprietære kunnskap om til konsistent, kontekstbevisst utgående kommunikasjon med sterke policykontroller. Strategisk sett posisjonerer det den på den forsvarlige siden av markedet – å eie lærings sløyfen i stedet for bare å generere kopi. 
