Kort sammanfattat
- Kund: Kunden, norsk leverantör av batterisystem för elektrisk och hybrid framdrift till sjöss.
- Problem: prospekteringen gjordes manuellt. Microsofts kvalificeringsagent hjälper inte, den bedömer bara leads som redan finns.
- Lösning: en AI-agent som söker marknaden dagligen, poängsätter mot kundprofilen och skriver kvalificerade leads till Dynamics 365 Sales.
- Status: live i kundens egen produktionstenant sedan maj 2026.
Problemet: verktyget som inte fanns
Kunden levererar batterisystem till färjor, offshorefartyg, fiskebåtar och passagerarfartyg som byggs om eller byggs nya med elektrisk eller hybrid framdrift. Marknaden är avgränsad och teknisk, vilket betyder att prospektering handlar om att upptäcka rätt bolag vid rätt tillfälle, inte om volym.
Det arbetet gjordes för hand.
Det närliggande svaret är Microsofts egen Sales Qualification Agent. Men den löser en annan uppgift: den bedömer och prioriterar leads som redan ligger i Dynamics 365. Den letar inte i marknaden. Kundens behov var det motsatta, proaktiv skanning efter bolag som ännu inte fanns i CRM-systemet.
Standardagenten kvalificerar det ni har. Den hittar inte det ni saknar. Vi byggde den halva som saknades.
Vad agenten gör, varje morgon klockan 06:00
En Azure Function startar, och agenten går igenom en fast ordning:
- Söker på webben med sökfrågor som ligger i konfigurationen
- Identifierar kandidatbolag i träffarna
- Kontrollerar mot Dynamics 365 och hoppar över det som redan är känt
- Djupsöker enskilda bolag när mer sammanhang behövs
- Poängsätter mot kundprofilen: High, Medium, Low eller Excluded
- Skriver High och Medium direkt till Dynamics 365 Sales som Lead
En hel körning tar tre till fem minuter och kostar i storleksordningen en dollar i AI-användning. Säljaren möts på morgonen av leads som redan är hittade, dubblettkontrollerade mot befintliga kunder och motiverade.
Det som spelar störst roll: vad som styr agenten
En agent som skriver in i ert CRM är bara så bra som reglerna den följer. Kundens agent styrs av fem kunskapsfiler som kunden själv äger:
| Fil | Vad den styr |
|---|---|
| Kundprofil | Segment, geografi, projektstorlek, triggersignaler och poängvikter |
| Produkter | Vad kunden faktiskt säljer |
| Konkurrenter | Vilka som ska nedprioriteras vid etablerade relationer |
| Befintliga kunder | Undvik dubbletter, och hitta look-alikes |
| Undantag | Hårda regler för vad som aldrig ska bli ett lead |
Det här är delen de flesta hoppar över. En undantagsfil är ingen detalj, det är skillnaden mellan en agent ni kan låta stå på och en ni måste övervaka. Ändrar kunden sin profil ändrar agenten beteende, utan att någon skriver kod.
Var det körs
Allt körs i kundens egen Microsoft-tenant, inte hos oss. Konfigurationen ligger i Dataverse med versionshistorik, varje körning loggas i en egen revisionstabell, och säljarna styr agenten från en guide byggd som en PCF-kontroll direkt i Dynamics 365. Releaser går genom UAT före produktion, med CI/CD.
Vi byggde först i vår egen miljö för att visa att konceptet höll. När det var accepterat byggdes det i kundens miljö, först UAT, sedan produktion i maj 2026. Den första schemalagda produktionskörningen skapade tre leads utan ett enda fel.
Vad som gjorde detta möjligt
- Dynamics 365 Sales och Dataverse som mottagare, ingen parallell databas
- Azure Functions för schemalagd körning, med tre lägen: uppstart, ad hoc och schemalagt
- Konfiguration i Dataverse i stället för i kod, kunden äger reglerna
- Full revisionslogg per körning
Det intressanta här är inte att AI kan poängsätta ett bolag. Det är att agenten kör utan tillsyn i kundens egen miljö, mot regler kunden kontrollerar, till en kostnad per körning som är känd i förväg.
