AI-utveckling & agenter
Vi bygger agenter som utför uppgifter, inte demos som imponerar. De körs i er egen Microsoft-tenant, mot regler ni själva äger och kan ändra utan att någon skriver kod.
Vad vi gör
Kartläggning av uppgiften. Vi tittar på vad som görs för hand idag, hur ofta, och vad som händer när det blir fel.
Regler kunden äger. Kundprofil, undantag och poängvikter ligger i konfiguration, inte i kod.
Körning med revisionslogg. Varje körning loggas, så ni kan se vad agenten gjorde och varför.
Eskalering vid tvivel. Agenten skickar ärendet vidare till en människa när underlaget är tunt. Det är designat, inte en eftertanke.
Så jobbar vi
En halvtimme för att förstå uppgiften och dataunderlaget.
Vi visar att konceptet håller innan ni öppnar egen tenant.
UAT, sedan produktion i er tenant, med CI/CD och drift.
Vad en leverans innehåller
Agenten som utför uppgiften, inte en demo som visar att den kunde
Reglerna den arbetar efter, i konfiguration ni kan ändra själva
Åtkomst som ärver rättigheterna för användaren den agerar för
Koppling mot källorna den läser och systemet den skriver till
Ett mänskligt godkännandesteg där beslutet får konsekvenser
Full logg per körning, så det går att se varför något gjordes
Drift och övervakning efter att den satts i produktion
Vad det kostar
En agent kostar på två sätt, och de beter sig olika. Att bygga den styrs av hur många källor den måste läsa, hur ostrukturerade de källorna är, och hur mycket omdöme uppgiften kräver. Att köra den styrs av hur ofta den körs och hur mycket den måste läsa varje gång, en löpande kostnad, och förutsägbar när den väl är mätt. Vi sätter ett tak per körning innan något sätts i produktion, så att räkningen inte kan överraska.
Vi börjar med en uppgift och mäter vad den faktiskt kostar att köra innan vi utökar. Så gjordes det hos en maritim kund, eller be om ett estimat.
Hur lång tid det tar
| Omfattning | Tid |
|---|---|
| Första fungerande versionen att titta på | dagar |
| En uppgift, en källa, i produktion | 3-6 veckor |
| Med integrationer och godkännandesteg | 6-10 veckor |
| Flera agenter med gemensam styrning | 3 månader och uppåt |
Det som tar tid är sällan modellen. Det är att komma överens om vad agenten får göra utan att fråga, och att få källorna den läser i tillräckligt gott skick för att svaren ska gå att lita på.
När det här passar, och när det inte gör det
Passar när
- Uppgiften görs idag, manuellt, och upprepas ofta
- Det finns en källa att läsa från och ett system att skriva till
- Det går att säga vad ett bra svar är
- Någon internt kan granska resultatet i början
Passar inte när
- Uppgiften görs en gång per kvartal, då går kalkylen inte ihop
- Ingen kan avgöra om svaret är rätt
- Ett felaktigt svar är dyrt och kan inte fångas av ett godkännandesteg
- Datan den skulle läsa finns inte samlad någonstans ännu
Frågor vi får
Lämnar våra data miljön?
Nej. Agenten körs i er egen Microsoft-tenant, på era data, och datan används inte för att träna modeller. Åtkomst styrs av de roller ni redan har i Entra ID.
Vad händer om den gör fel?
Där ett beslut får konsekvenser bygger vi in ett mänskligt godkännandesteg i stället för att låta modellen avgöra ensam. Allt loggas per körning, så det går att se i efterhand varför något gjordes.
Är det här en pilot, eller något som faktiskt körs?
En agent vi byggt gör verkligt arbete hos en maritim kund varje dag, i kundens egen miljö. Vi bygger för produktion, inte för demo.
Vem äger reglerna agenten följer?
Ni. Reglerna ligger i konfiguration, inte i kod, så att ni kan ändra dem utan att beställa en ändring från oss.
Ska vi prata om det här?
Berätta kort vad ni behöver så får ni ett konkret svar och en uppskattning ni kan räkna med.