AI-agenter för företag: så fungerar de i praktiken

Av Samir Hassen, grundare Publicerad 5 min läsning

En kundförfrågan kommer in via mejl. Svaret kräver information från en bilaga, ett affärssystem och en kollega som behöver godkänna offerten. Varje steg är hanterbart, men tillsammans tar de tid. När samma typ av arbete återkommer varje dag kan en AI-agent hjälpa teamet att driva processen framåt.

Vad kan en AI-agent faktiskt göra? Vilka uppgifter bör en människa fortfarande besluta om? Och hur hittar man ett första användningsområde som är värt att testa?

Vad är en AI-agent?

En AI-agent är en mjukvarulösning som arbetar mot ett definierat mål. Den kan hämta relevant information, bedöma nästa steg och utföra avgränsade uppgifter i anslutna system. Vad den får göra bestäms av arbetsflödet, dess behörigheter och de regler företaget sätter upp.

Tänk på skillnaden mellan att fråga ett verktyg ”Vad står det i det här dokumentet?” och att ge det uppgiften ”Kontrollera dokumentet mot ordern, markera avvikelser och förbered ett underlag för ansvarig medarbetare.” I det andra fallet behöver lösningen arbeta genom flera steg och lämna ett resultat som någon kan använda.

En agent behöver inte fatta varje beslut själv. I många processer är det mer användbart att låta den samla underlag och utföra rutinmässiga steg, medan en medarbetare granskar undantag eller godkänner ett beslut.

AI-agent, chatbot eller vanlig automatisering: vad är skillnaden?

En chatbot används främst för att svara på frågor. En traditionell automatisering följer vanligtvis förutbestämda regler: när något händer, utför systemet ett visst steg.

En AI-agent kan användas när uppgiften kräver att information från exempelvis mejl och dokument tolkas innan nästa steg väljs. Den kan sedan använda anslutna verktyg för att förbereda eller utföra en åtgärd inom tydliga gränser.

Det betyder inte att varje process behöver en agent. Om uppgiften alltid följer samma enkla regler kan vanlig automatisering vara ett bättre val. Därför börjar ett bra AI-projekt med arbetsflödet, snarare än med valet av teknik.

Ett konkret exempel: från förfrågan till färdigt underlag

Anta att ett tillverkande företag får en återkommande typ av offertförfrågan. Informationen finns i mejlet, i bifogade underlag och i företagets interna system. Så här skulle ett avgränsat agentflöde kunna se ut:

  1. Ta emot förfrågan. Agenten identifierar vilken information som finns och vilket underlag som saknas.
  2. Hämta relevant data. Den söker i godkända källor, till exempel artikeldata, tidigare order eller dokument.
  3. Förbered nästa steg. Den sammanställer ett underlag eller ett utkast till svar.
  4. Lämna över för granskning. En medarbetare kontrollerar bedömningen och fattar beslut om offerten.
  5. Följ upp resultatet. Teamet ser var agenten sparade tid, var den behövde hjälp och vad som bör förbättras.

Detta är ett exempel på ett möjligt arbetsflöde, inte en färdig lösning för varje företag. Vilka steg som går att genomföra beror på tillgången till data, systemens integrationsmöjligheter och kraven på kontroll.

Var kan AI-agenter göra nytta?

Ett bra första användningsområde har ofta tre kännetecken: uppgiften återkommer ofta, informationen är utspridd och resultatet går att kontrollera.

Dokument och kvalitetsarbete

En agent kan läsa inkommande dokument, jämföra uppgifter med definierade krav och sammanställa vad som behöver granskas. För ett tillverkande företag kan det exempelvis handla om mätprotokoll, kvalitetsunderlag eller avvikelser. Ansvarig medarbetare får ett tydligare underlag och kan fokusera sin tid på bedömningen.

Kundförfrågningar och offerter

När en förfrågan kräver uppgifter från flera håll kan agenten samla informationen, identifiera luckor och förbereda ett svar. Teamet granskar sedan sådant som påverkar pris, leverans eller kundlöfte.

Order och interna uppföljningar

En agent kan hämta status från anslutna system och uppmärksamma teamet när information saknas eller något avviker från planen. Det kan minska tiden som läggs på att manuellt leta efter uppdateringar, samtidigt som medarbetarna behåller kontrollen över åtgärderna.

Vad krävs för att en agent ska fungera i verksamheten?

En demo kan visa vad tekniken klarar. I det dagliga arbetet behöver lösningen också fungera med företagets faktiska data, system och ansvarsfördelning. Fyra frågor är särskilt viktiga:

  • Vilka källor får agenten använda? Informationen måste vara relevant och tillgänglig med rätt behörighet.
  • Vilka åtgärder får den utföra? Det ska vara tydligt vad agenten får göra själv och vad som kräver godkännande.
  • Hur upptäcks fel? Teamet behöver kunna granska resultat och hantera undantag.
  • Hur följs arbetet upp? Relevanta steg och åtgärder bör kunna spåras.

Mänsklig kontroll är särskilt viktig när ett beslut påverkar en kund, en leverans eller ett krav på kvalitet. Agentens roll kan då vara att göra förarbetet snabbare och mer konsekvent, så att rätt person får ett bättre beslutsunderlag.

Vad kan ett tidigare AI-projekt visa?

I Son of a Coders publicerade Health Canada-kundcase beskrivs en AI-baserad lösning för verifiering av stora mängder vårddata. Den kombinerade dokumenthantering, automatisering av arbetsflödet och spårbarhet. Enligt kundcaset blev bearbetningen 50 procent snabbare inom tre månader och mer än 80 administrativa timmar sparades per vecka.

Kundcaset gäller en AI-systemlösning för dokumentverifiering. Det visar hur AI kan stödja ett komplext arbetsflöde där tydliga kontroller och spårbarhet behövs.

Läs kundcaset

Så väljer ni ett första pilotprojekt

Börja med ett arbetsflöde som medarbetarna känner väl och där det finns ett tydligt problem att lösa. Beskriv hur arbetet går till i dag: var uppgiften börjar, vilka system som används, var den fastnar och vem som ansvarar för beslutet.

Välj sedan ett avgränsat steg för piloten. Bestäm i förväg vad ni vill mäta, till exempel handläggningstid, tid för manuell administration eller hur ofta ett ärende behöver kompletteras. Testa lösningen med verkliga uppgifter och låt teamet granska resultaten innan ni utökar agentens ansvar.

På så sätt får ni svar på en mer användbar fråga än ”Kan vi bygga en AI-agent?”: ”Hjälper den här lösningen oss att utföra just detta arbete bättre?”

Vanliga frågor om AI-agenter för företag

Kan en AI-agent arbeta i våra befintliga system?

Ofta är det möjligt att ansluta befintliga verktyg, men det beror på systemens åtkomst och integrationsmöjligheter. Det behöver undersökas innan arbetsflödet utformas.

Måste agenten arbeta självständigt?

Nej. Den kan till exempel samla information och förbereda ett förslag som en medarbetare granskar. Graden av självständighet bör anpassas till uppgiften och riskerna.

Vad kostar det att bygga en AI-agent?

Kostnaden beror bland annat på arbetsflödets omfattning, integrationer, datakvalitet och krav på säkerhet och drift. Ett avgränsat pilotprojekt gör det lättare att bedöma både kostnad och möjlig nytta.

Börja med ett arbetsflöde som tar tid i dag

Om information ligger utspridd i mejl, dokument och olika system finns det ofta ett konkret arbetsflöde att undersöka. Läs mer om hur vi arbetar med analys, pilotprojekt och drift på vår sida om AI-agenter för företag.

Vill du diskutera ett specifikt flöde? Boka ett samtal med Son of a Coder, så börjar vi med att förstå uppgiften och vad ni vill förbättra.

Samir Hassen

Samir Hassen är grundare av Son of a Coder. Ansvarar för affärsstrategi, lösningsarkitektur och kundkommunikation.

Jag vill bli kontaktad