Grok Bot gjør AI-agenter til digitale medarbeidere

Y Combinator · Lightconemed Lauren Tan & Roman Ugarte14. november 2026Se videoen
Grok Bot er en plattform for å opprette AI-medarbeidere som har egne ansvarsområder, egne verktøy og kan jobbe kontinuerlig, samarbeide med hverandre og ta initiativ på egen hånd.
I et intervju med Y Combinator forklarer Lauren Tan og Roman Ugarte, som var med på å utvikle Grok Bot, hvordan teknologien brukes i praksis. De beskriver blant annet AI-boter som håndterer kundeservice, analyserer data, jobber med markedsføring og styrer andre AI-agenter som utvikler programvare.
Det handler ikke bare om å automatisere enkeltoppgaver. Målet er at både privatpersoner og bedrifter skal kunne organisere deler av virksomheten rundt AI-boter, omtrent slik man organiserer ansatte og avdelinger.
Hva er Grok Bot?
Grok Bot beskrives som en plattform for å opprette det utviklerne kaller AI teammates, altså AI-kolleger.
Hver bot kan ha sitt eget navn, sin egen identitet, egne instrukser, ferdigheter og verktøy. I stedet for å opprette en ny chat hver gang man trenger hjelp, oppretter man en bot som har et bestemt ansvar over tid.
Utviklerne legger vekt på tre grunnprinsipper.
Botene skal være utgangspunktet for hvordan jobben organiseres. Ikke chatten, dokumentene eller filene. Det er boten som har ansvaret, og som bruker samtaler, dokumenter og verktøy for å utføre oppgavene.
Botene skal kunne bruke de samme verktøyene som mennesker. Det betyr blant annet tilgang til egne datamaskiner, programmer, nettsider og kontoer, innenfor de tilgangene de har fått. De skal ikke være begrenset til bare å svare med tekst.
Botene skal kunne jobbe kontinuerlig og proaktivt. En bot skal ikke nødvendigvis vente på neste instruksjon. Den kan følge med på et område, oppdage problemer, utføre oppgaver og komme tilbake med forslag eller resultater.
Produktet startet som en intern prototype og ble ifølge utviklerne bygd på rundt sju uker. De ønsket å ta metodene som hadde fungert med AI-kodeagenter, og gjøre dem tilgjengelige også for andre typer jobber i en bedrift.
Forskjellen er at en vanlig AI-assistent gjerne hjelper til med en oppgave når noen spør, mens en AI-medarbeider får et ansvar den skal følge opp over tid.
Én bot eller flere spesialiserte boter?
Grok Bot lar brukerne organisere botene på forskjellige måter. Det finnes ikke én bestemt struktur som passer alle.
Man kan ha én generell bot som hjelper til med det meste, eller flere spesialiserte boter med hvert sitt ansvar.
Utviklerne beskriver to måter å organisere dem på.
Etter funksjon: Én bot for programmering, én for markedsføring, én for kundeservice og én for økonomi.
Etter kunde eller prosjekt: Én bot per kunde eller prosjekt. Den samme boten kan håndtere flere typer oppgaver, men bare innenfor sitt ansvarsområde.
Roman forteller at han foretrekker en liten gruppe boter hvor hver bot har ansvar for én bestemt ting. Han sammenligner det med å ansette mennesker som er spesielt opptatt av én utfordring, i stedet for å forvente at én person skal følge med på hundre forskjellige ting samtidig.
Hver bot har også sin egen kontekst og sine egne ferdigheter. Kontekst betyr informasjonen boten har tilgjengelig for å forstå oppgaven og situasjonen den jobber i. Ferdighetene kan blant annet være spesifikke instrukser og framgangsmåter for bestemte oppgaver.
Dermed kan botene tilpasses og videreutvikles for forskjellige typer jobber.
Poenget er at man ikke nødvendigvis bygger én superassistent. Man kan bygge et team av spesialister.
Botene kan samarbeide med hverandre
En sentral funksjon i Grok Bot er at botene kan snakke sammen og delegere oppgaver til hverandre.
Lauren beskriver hvordan hun har en personlig kodebot som heter Potato, samtidig som bedriften har en felles databottjeneste.
Når hun skal undersøke et problem, kan hun be Potato kontakte databoten for å finne ut hvor mange brukere som er påvirket.
Potato trenger dermed ikke selv å ha direkte tilgang til alle datakildene. Den kan be spesialisten om informasjon.
De beskriver også en struktur med en overordnet bot som leder andre boter.
En slik lederbot kan motta et mål, fordele oppgavene mellom flere kodeagenter, følge opp resultatene og gi dem tilbakemeldinger. Lauren forteller at hun har sett lederboten videreformidle kritikk hun hadde gitt, til de underordnede agentene.
Kommunikasjonen kan foregå i Grok Bot-appen eller i Slack, og menneskene kan lese samtalene mellom botene.
Det betyr at en person kan kommunisere med én bot, mens flere andre samarbeider om å utføre jobben.
Team Bots gjør at hele bedriften kan bruke de samme botene
Utviklerne beskriver også en funksjon kalt Team Bots.
I stedet for at alle ansatte oppretter hver sin bot for å utføre samme type jobb, kan bedriften ha én felles bot som alle bruker.
For eksempel kan salgsavdelingen ha en felles salgsbot. En erfaren selger kan forbedre instruksene, metodene og ferdighetene til boten, og disse forbedringene kommer hele teamet til gode.
De beskriver også et system med bot-eiere, bot-ansvarlige og samarbeidspartnere.
En fagekspert kan ha ansvar for å utvikle og følge opp en bot, omtrent som en erfaren ansatt lærer opp en ny kollega.
Målet er å gjøre kunnskapen til de flinkeste ansatte tilgjengelig for alle gjennom de samme botene.
Hvordan brukes Grok Bot i praksis?
I intervjuet beskriver Lauren og Roman flere eksempler på hvordan botene allerede brukes, både personlig og i forskjellige avdelinger i bedriften.
Markedsføring og annonsering
Markedsføringsteamet har gitt en bot tilgang til Google Ads og Facebook Ads, med egen innlogging.
Boten får et budsjett og skal jobbe med annonsekampanjer.
Samtidig har designteamet sin egen bot som produserer annonsemateriell.
Markedsføringsboten kan kommunisere med designboten, hente forskjellige kreative varianter og sette opp A/B-testing for å undersøke hvilke annonser som fungerer best.
A/B-testing betyr at man sammenligner to eller flere versjoner av for eksempel en annonse for å se hvilken som gir best resultat.
De beskriver dermed en prosess hvor flere AI-boter samarbeider om annonseproduksjon, testing og markedsføring.
Kundeservice
Kundeservice er et av områdene hvor de ser store muligheter for automatisering.
En kundeservicebot kan følge med på innkommende henvendelser, lese problemene og kategorisere dem.
Hvis en kunde rapporterer en programvarefeil, kan boten undersøke problemet og forsøke å gjenskape feilen. Den kan deretter involvere kodeagenter som forsøker å løse den.
Enkelte henvendelser kan håndteres fra start til slutt. Andre blir sendt videre til riktig menneske.
De beskriver et team som mottar svært mange kundehenvendelser og bruker en delt bot for å sortere dem, løse noen automatisk og eskalere resten.
Å eskalere betyr her å sende en sak videre til en person som har riktig kompetanse eller myndighet til å håndtere den.
Dataanalyse
Dataavdelingen har opprettet en spesialistbot som har lesetilgang til datavarehuset, altså systemet hvor bedriftens data er samlet for analyse.
Tidligere måtte ansatte sende spørsmål til dataanalytikere på Slack. Det kunne for eksempel handle om å undersøke hvor mange brukere som benyttet en bestemt funksjon.
Nå kan ansatte spørre boten direkte.
Boten undersøker datagrunnlaget og svarer, uten å kunne gjøre endringer i databasen.
Dette frigjør tid for dataanalytikerne og gir resten av bedriften raskere tilgang til informasjon.
Innkjøp og leverandører
De forteller også om en avdeling som har opprettet en egen bot for leverandørinnkjøp.
Den ligger i Slack og er tilgjengelig for teamet.
De går ikke detaljert gjennom hvilke innkjøpsprosesser boten utfører, men beskriver området som fullt av oppgaver som egner seg for automatisering.
Eksemplet viser hvordan fagavdelinger kan opprette sine egne boter for bestemte oppgaver, uten at alt nødvendigvis må utvikles av IT-avdelingen.
Salg
Salgsavdelingen har begynt å bygge egne automatiserte prosesser.
Botene undersøker potensielle kunder, samler informasjon om salgsmuligheter og hjelper til med praktiske oppgaver i salgsprosessen.
De bruker felles spesialistboter som inneholder erfaringer, metoder og rutiner fra hele salgsteamet.
Poenget er ikke bare å gjøre ett søk etter potensielle kunder, men å automatisere sammenhengende deler av salgsjobben.
Personlige assistenter
Lauren bruker også personlige boter som ikke deles med bedriften.
Hun nevner blant annet en assistent som hjelper henne å bestemme hva hun skal spise til lunsj, og en annen som jobber med e-post.
Disse trenger ikke være tilgjengelige i Slack, fordi de ikke skal samarbeide med andre ansatte.
Småbedrifter og regnskap
Utviklerne forteller at småbedrifter er blant de mest interesserte brukerne.
En viktig grunn er at mindre virksomheter ofte mangler ressurser til å ansette folk for alle funksjoner.
Regnskap og bokføring blir brukt som eksempel på oppgaver en spesialisert bot potensielt kan overta.
Her er det viktig å skille mellom mulighet og dokumentert resultat. Intervjuet viser ikke at en Grok Bot kan håndtere et komplett regnskap korrekt og selvstendig. Eksemplet blir først og fremst brukt for å illustrere hvordan småbedrifter kan få tilgang til automatisering av oppgaver de ellers måtte utført selv eller ansatt noen til å gjøre.
Hvordan brukes botene til programmering?
Et av de mer avanserte eksemplene handler om hvordan Lauren bruker Grok Bot til å styre AI-kodeagenter.
Hun forteller at hun tidligere brukte Cursor direkte og måtte samle inn informasjon fra Slack, kolleger og forskjellige systemer før hun kunne gi en kodeagent en oppgave.
Med Grok Bot foregår mye av denne prosessen nå direkte i Slack.
Hun viser et eksempel hvor hun og kollegaen Samantha utvikler en ny funksjon sammen med Potato.
Prosessen begynner med at Lauren deler en video hun har funnet på X, og spør Potato hva som skal til for å støtte en tilsvarende funksjon.
Potato starter deretter en Cursor Cloud Agent.
En Cursor Cloud Agent er en AI-kodeagent som jobber i et eget virtuelt datamiljø i skyen. Den kan skrive kode, kjøre programmet, teste funksjonaliteten og komme tilbake med skjermbilder og videoer som viser resultatet.
Lauren og kollegene kan se resultatene direkte i Slack og gi tilbakemeldinger underveis.
I dette eksemplet foregikk hele samarbeidet i én Slack-tråd med omtrent 200 meldinger.
Lauren sier at hun ikke engang åpnet Cursor for å fullføre prosjektet. Hun jobbet gjennom Slack, ga retning og vurderte resultatene.
Funksjonen ble til slutt publisert.
I intervjuet blir det også opplyst at Lauren nå produserer over 4000 pull requests per måned. En pull request, ofte forkortet PR, er et forslag om å slå kodeendringer inn i et programvareprosjekt.
Det kule med denne måten å jobbe på er at Grok Bot ikke nødvendigvis trenger å skrive koden selv. Den kan fungere som koordinatoren som setter spesialiserte kodeagenter i jobb.
Grok Bot kobler sammen samtalene, oppgavene, informasjonen og agentene som utfører selve programmeringen.
Inner loop og outer loop
Utviklerne bruker begrepene inner loop og outer loop for å forklare hvordan agentene kan jobbe mer selvstendig.
Inner loop er selve utførelsen
En kodeagent skriver kode, kjører programmet, undersøker om det fungerer, oppdager feil og retter dem.
Deretter gjentar den prosessen til resultatet tilfredsstiller kravene.
Dette er en loop, altså en gjentakende prosess.
Lauren mener at denne evnen til å kontrollere eget resultat er grunnlaget for gode kodeagenter.
Hvis agenten ikke kan teste det den selv har bygd, blir mennesket nødt til å gjøre mye av kontrolljobben.
Hun beskriver hvordan agenten kan bruke ytelsesmålinger, tekniske spor og faktisk interaksjon med programmet for å undersøke sitt eget resultat.
Agenten skal ikke bare skrive kode og anta at den fungerer. Den skal teste programmet slik en bruker ville gjort, finne feil og forsøke å rette dem.
Outer loop er systemet rundt utførelsen
Outer loop handler om hvordan oppgavene oppstår, blir fordelt og fulgt opp.
Her kommer Grok Bot inn.
Et varsel, en kundemelding eller et problem i et overvåkingssystem kan starte en prosess automatisk.
Grok Bot kan samle informasjon om problemet, sette en kodeagent i jobb og følge opp resultatet.
Den samme prosessen kan gjentas uten at et menneske må starte alt manuelt hver gang.
Det er denne kombinasjonen utviklerne mener gjør det mulig å gå fra å styre én AI-agent til å orkestrere mange.
Å orkestrere betyr å koordinere flere agenter som jobber sammen mot et felles mål.
Loops, Skills og Pstack
I intervjuet forklarer Lauren også hvordan botene får kunnskap om måten de skal jobbe på.
En skill er en gjenbrukbar ferdighet eller instruksjon som beskriver hvordan en bestemt oppgave skal utføres.
Lauren har utviklet sin egen samling kalt Pstack, som står for Potato Stack.
Hun sammenligner slike ferdigheter med knivene en kokk tar med seg til et nytt kjøkken. Kokken har sine egne metoder, preferanser og verktøy, uansett hvor jobben utføres.
Pstack inneholder hennes metoder for grundig programvareutvikling og kan brukes av agentene hun starter.
De nevner også AGENTS.md, statisk kodeanalyse, lint-regler og automatiserte tester som måter å sikre kvalitet på.
AGENTS.md er en fil som kan beskrive hvordan AI-kodeagenter skal jobbe i et prosjekt. Lint-regler og statisk kodeanalyse brukes for å oppdage bestemte typer feil og brudd på koderegler, ofte uten at programmet må kjøres.
En loop kobler slike ferdigheter til en gjentakende eller hendelsesstyrt prosess.
I intervjuet sammenlignes dette med cron-jobber og webhooks. En cron-jobb er en oppgave som kjøres automatisk etter en tidsplan, mens en webhook kan starte en prosess når en bestemt hendelse oppstår.
Et hovedpoeng er at man bør bygge gode regler og kontrollmekanismer inn i selve systemet.
Da slipper man å bruke store mengder AI-tokens på å oppdage de samme feilene gjennom kodegjennomgang hver gang.
Tokens er de mindre enhetene AI-modeller behandler tekst og annen informasjon som. Jo mer omfattende oppgaver og gjennomganger en agent utfører, desto flere tokens kan den bruke, noe som også påvirker kostnadene.
Lauren forklarer at hun etter hvert har gitt agentene tillatelse til å slå sammen egne pull requests, men at dette krever mye forarbeid med kvalitetssikring.
Hun understreker også at mennesker fortsatt bør være involvert ved mer kritiske endringer, for eksempel i databaser, infrastruktur og utrulling av programvare.
Botene kan oppdage og reparere feil automatisk
Utviklerne beskriver et system hvor en bot kalt Sandy samler inn store mengder tilbakemeldinger fra brukere.
Informasjonen kommer fra selve produktet, kundeservice og X.
Systemet kan identifisere gjentakende problemer og sende dem videre til kodeagenter som undersøker og retter feilene.
For vanlige programvarefeil beskriver de at agentene kan gjenskape problemet, implementere en rettelse, teste den, slå sammen endringen og få den publisert automatisk.
De nevner at slike oppdateringer kan gå ut klokken tre om natten.
Men de gjør et tydelig skille mellom automatisk vedlikehold og produktutvikling.
Å rette en liten feil uten å involvere et menneske kan være fornuftig. Å endre brukergrensesnittet eller introdusere nye funksjoner uten grundig vurdering er noe helt annet.
De ønsker ikke at AI-agentene kontinuerlig skal forandre produktet bare fordi de kan.
Derfor tester de større endringer internt og lar mennesker bestemme hvilke funksjoner som faktisk skal publiseres.
Botene jobber der menneskene allerede jobber
Lauren forklarer at hun i dag tilbringer mye av tiden med botene sine i Slack og på X, snarere enn inne i selve Grok Bot-appen.
Hun kan legge til en bot i en eksisterende samtale, slik at den får tilgang til informasjonen og kan bidra direkte.
Dette fjerner mye manuelt mellomarbeid, som å kopiere samtaler, lenker og beskrivelser fra ett verktøy til et annet.
Samtidig blir samarbeidet synlig for kollegene.
Når noen ser hvordan Lauren bruker Potato til å løse et problem, kan de lære metoden og bruke den selv.
Utviklerne mener derfor at delte samtaler kan spre kunnskap om effektiv AI-bruk gjennom bedriften.
Grok Bot skal ikke nødvendigvis erstatte Slack, Google Docs eller andre programmer. Ambisjonen er at botene skal kunne jobbe inne i verktøyene folk allerede bruker.
Identitet, tilgang og sikkerhet
Dette omtaler utviklerne som en av de viktigste uløste utfordringene.
Hvis en AI-bot skal fungere som en medarbeider, trenger den en identitet og passende tilgang.
De bruker ansettelse av et menneske som analogi.
En ny medarbeider får en datamaskin og tilgang til systemene som trengs for jobben. Tilgangen begrenses etter rolle og ansvar, og kan utvides etter hvert som tilliten øker.
De ønsker å bruke de samme prinsippene for boter.
En databottjeneste som bare skal hente informasjon, trenger eksempelvis ikke rettigheter til å endre eller slette data.
Men tekniske tilganger er bare én del av problemet.
De har oppdaget at boter som deltar i samtaler med flere mennesker, kan ha problemer med å forstå hvem de skal høre på.
Boten kjenner ikke nødvendigvis organisasjonens hierarki, hvem som har fagansvar, eller hvem som har myndighet til å ta beslutninger.
De sier at dagens modeller og systemer ikke er fullt utviklet for dette.
De omtaler dessuten sikkerheten ved samarbeid mellom mange AI-agenter som et område det fortsatt er mye å løse.
Tre nivåer av selvstendighet
Utviklerne beskriver hvordan bedrifter gradvis kan gi AI-botene mer ansvar etter hvert som de bygger tillit til systemene.
Nivå 1 – Observere og gi informasjon
Boten kan lese data, analysere informasjon og svare på spørsmål, men ikke gjøre endringer.
Dette er gjerne første steg for å bygge tillit.
Et eksempel er databoten som svarer på spørsmål ved å hente informasjon fra bedriftens database, uten å kunne endre innholdet.
Nivå 2 – Utføre oppgaver fra start til slutt
Boten får tilgang til nødvendige verktøy og kan gjennomføre en konkret oppgave.
Den kan for eksempel undersøke og rette en feil, håndtere en kundehenvendelse eller utføre en bestemt administrativ prosess.
Her går boten fra å gi informasjon til faktisk å utføre jobben.
Nivå 3 – Ha et varig ansvarsområde
Boten får et mål den kontinuerlig jobber mot.
Den kan ta initiativ, følge med på resultater, oppdage problemer og finne ut hvilke oppgaver som bør utføres for å nå målet.
Det kan for eksempel være en bot som har ansvar for å følge opp og forbedre bestemte deler av en virksomhet.
Utviklerne sier at mange virksomheter fortsatt er på det første nivået. Det andre nivået brukes allerede i en rekke oppgaver.
Det tredje nivået er den langsiktige ambisjonen, men de understreker at teknologien fortsatt er tidlig i utviklingen.
Hvordan kan dette endre organiseringen av bedrifter?
Mot slutten av intervjuet diskuterer de konseptet AI-native companies, altså bedrifter som er organisert med AI som en grunnleggende del av måten de jobber på.
De sammenligner programvareutvikling med andre deler av en bedrift.
Innen programmering finnes det allerede mye infrastruktur for å kontrollere resultater. Kode kan kompileres, testes og kjøres gjennom CI.
CI står for Continuous Integration og innebærer at kodeendringer automatisk kan kontrolleres og testes når de legges inn i et prosjekt.
Innen salg, markedsføring, kundeservice og administrasjon er det ofte vanskeligere å definere hva som er et korrekt eller godt resultat.
Mye viktig informasjon finnes dessuten bare i hodene til ansatte, i samtaler eller i dokumenter som ikke er lett tilgjengelige.
De mener bedrifter kan utvikle nye måter å organisere informasjon, ansvar og oppgaver på dersom AI-boter blir en naturlig del av virksomheten.
De bruker uttrykket everything factory for å beskrive at prinsippene bak en software factory etter hvert kan brukes i hele bedriften.
En software factory er et system hvor AI-agenter kan utføre store deler av programvareutviklingen gjennom automatiserte prosesser, fra oppgaver og kodeendringer til testing og publisering.
En everything factory bygger videre på samme tankegang, men utvider den til andre funksjoner som salg, kundeservice, økonomi og markedsføring.
Samtidig mener utviklerne at flaskehalsen er i ferd med å flytte seg.
Når det blir enklere å produsere kode, markedsføringsmateriell, analyser og andre resultater, blir det viktigere å bestemme hva som faktisk skal gjøres, hvorfor det skal gjøres, og hvordan man skal måle om resultatet er godt.
Det krever fortsatt produktforståelse, fagkompetanse og menneskelige vurderinger.
Hva ser utviklerne for seg i 2027 og videre?
Lauren håper at botene etter hvert vil kunne fungere enda mer som selvstendige kolleger.
Hun nevner blant annet egne telefonnumre, betalingskort og tilgang til stadig flere av verktøyene mennesker bruker.
De diskuterer også hvordan botene kan delta mer naturlig i møter og dokumentarbeid.
Et mer spekulativt tema er om kommunikasjonen med AI en dag kan foregå gjennom andre grensesnitt enn chat, for eksempel teknologi som kobler hjernen direkte til datamaskiner.
Dette er framtidsvisjoner, ikke funksjoner intervjuet dokumenterer at Grok Bot allerede leverer.
Det viktigste å ta med seg
Grok Bot handler om å flytte AI fra enkeltstående samtaler til et system hvor AI-boter har varige roller, egne verktøy og muligheten til å samarbeide om faktiske oppgaver.
Grok Bot er ikke bare en AI-modell som utfører jobben. Det er også systemet som gir agentene identitet, kontekst, verktøy, tilgang og mulighet til å samarbeide.
Intervjuet viser hvordan mennesker kan styre ganske avanserte prosesser ved å kommunisere med én bot, mens andre spesialiserte agenter gjør mye av utførelsen.
Dette kan være særlig relevant for små bedrifter som ikke har mulighet til å ansette egne folk til alle oppgaver. De kan organisere AI-agenter etter funksjon eller ansvarsområde, la dem samarbeide og gradvis automatisere flere oppgaver.
Men et velfungerende system oppstår ikke bare ved å opprette mange boter. Det krever gode instrukser, riktige tilganger, pålitelig testing, tydelige mål og kontroll med hva agentene får lov til å gjøre.
Den grunnleggende endringen er at man går fra å gi AI enkeltoppgaver til å organisere AI-boter som et team med egne roller, verktøy og ansvar. Menneskets rolle blir i større grad å definere mål, prioritere, koordinere og vurdere resultatene, mens agentene utfører mer av den praktiske jobben.