En proof of concept som fungerar i en demo är den enkla delen. Att få samma AI-flöde i daglig användning, kopplat till ert affärssystem, CRM eller dokumentarkiv, med mätt kvalitet och någon som ansvarar för det, är där de flesta projekt stannar. För ett väl avgränsat flöde tar det ungefär en veckas förberedelse och sex veckors bygge. Den här planen är för er som redan har ett fungerande experiment, till exempel en ChatGPT-prototyp eller en demo från en leverantör, och vill ha det i drift. Den följer samma ordning som vår AI Production Launch, men stegen gäller oavsett vem som gör jobbet.
Först två begrepp. En proof of concept (PoC) visar att en modell klarar en uppgift på en handfull exempel. Produktion betyder att namngivna användare förlitar sig på flödet varje dag, på riktiga data, med kvalitet ni mäter, åtkomst ni styr och kostnader ni känner till.
Varför fastnar AI-prototyper innan produktion?
Det är sällan modellen som är för dålig. Orsakerna är oftast mer vardagliga:
- Ingen har bestämt vad “tillräckligt bra” betyder, så varje genomgång blir en diskussion om ett enskilt dåligt svar.
- Prototypen kördes på en handplockad mapp eller en engångsexport, inte mot de riktiga systemen. Dataåtkomst, datatvätt och behörigheter ordnades aldrig.
- Integrationen sköts till “fas 2”. Att läsa från och skriva till ett affärssystem eller CRM är oftast mer arbete än själva prompten.
- Säkerhet, GDPR och personuppgiftsbiträdesavtalet dyker upp vecka åtta, när inköp ser projektet för första gången.
- Ingen vet vad det kostar vid verklig volym, så ekonomi godkänner ingen utrullning.
- Ingen äger flödet efter demon.
Alla de här är planeringsproblem. Det är goda nyheter, för de går att lösa innan ni skriver en rad produktionskod.
Vad betyder “i produktion” för ett AI-flöde?
Använd tabellen för att se var er prototyp står. Allt i högra kolumnen som ni inte kan bocka av ännu är arbete som återstår.
| Typisk proof of concept | I produktion | |
|---|---|---|
| Användare | Teamet som byggde den | En definierad användargrupp, i det dagliga arbetet |
| Data | Ett urval eller en engångsexport | Riktiga källor, synkade, med kända ägare |
| Integration | Kopiera och klistra in | Läser från och skriver till affärssystem, CRM eller dokumentsystem via deras API:er |
| Kvalitet | ”Ser bra ut” i en demo | Mätt mot en utvärderingsmängd och ett utgångsläge |
| Åtkomst | Alla ser allt | Behörigheterna speglar källsystemen |
| Säkerhet | Man litar på prompten | Skyddsräcken, mänskligt godkännande av åtgärder, loggning |
| Kostnad | Okänd | Kostnad per ärende mätt, fasta månadstak |
| Drift | Utvecklarens dator | Övervakning, larm, driftmanual och en namngiven ägare |
Börja med ett flöde och en hypotes som kan slå fel
Innan ni väljer modell: skriv ner vad ni ska kunna besluta efter några veckors verklig användning. Till exempel: “Kundtjänst kan svara på frågor om leveransdatum direkt ur affärssystemet utan att leta manuellt, och tiden per fråga halveras.” Kan ni inte formulera en hypotes som skulle kunna visa sig vara fel, finansierar ni en demo.
Gör om den till tre till fem mått: träffsäkerhet mot en utvärderingsmängd, tid per ärende, hur ofta ett ärende lämnas över till en person, kostnad per lyckat ärende och, för interaktiva verktyg, svarstid. Mät utgångsläget i dag, innan någon AI är inblandad. Utan en nollmätning kan ni inte visa någon förbättring.
Avgränsa flödet, inte en funktionslista. “Ett mejl kommer in, orderraderna plockas ut och matchas mot artiklar, ett orderutkast skapas i affärssystemet och en person godkänner det” är ett flöde. Vänta med fler språk, administrationsvyer och nästa användningsfall tills det första fungerar.
Vad händer veckan före bygget?
En kort, betald genomlysning sparar veckor av att bygga fel sak. Vår tar fem arbetsdagar:
- Dag 1: en workshop på 2–3 timmar med processägaren och IT.
- Dag 2–4: vi kartlägger system och data, kontrollerar datakvalitet och åtkomst, går igenom dataflödena med avseende på säkerhet och GDPR och väljer modell och drift.
- Dag 5: en skriftlig rapport med rekommenderat flöde, arkitektur, framgångsmått och utgångsläge, skriftliga acceptanskriterier, risker och ett förslag till fast pris.
Ett fullt rimligt utfall är “bygg det inte”. Om data inte finns eller kalkylen inte håller är en vecka ett billigt sätt att få veta det. Vi går igenom genomlysningen steg för steg i vad en AI-genomlysning på 5 dagar innehåller.
Vecka 1–2: riktiga data, en utvärderingsmängd och ett första tunt flöde
Sätt upp åtkomsten i ert eget molnkonto och kodförråd från första dagen, så att ingenting behöver flyttas senare. Bygg datapipelines från de riktiga källorna, inte från exporten som prototypen använde.
Det viktigaste resultatet av de här två veckorna är utvärderingsmängden: en lista med riktiga indata och rätt svar för vart och ett, skriven eller kontrollerad av någon som gör jobbet i dag. Börja med 50–200 fall och ta med de svåra: otydliga förfrågningar, data som saknas, frågor som ska avböjas. Notera dokumentversioner och datum, så att ni aldrig testar på information som inte hade funnits vid tillfället. Om användarna senare ändrar i AI:ns utkast, spara ändringarna: de visar exakt var flödet brister.
Bygg sedan ett tunt flöde från början till slut på riktiga data: indata, uppslag, modellanrop och resultat in i målsystemet. De flesta första flöden bygger på RAG (retrieval-augmented generation), vilket betyder att systemet först hämtar relevanta stycken ur era dokument eller data och skickar dem till modellen tillsammans med frågan. Finjustering behövs sällan i ett första flöde; vår jämförelse av RAG och finjustering förklarar när det behövs.
I slutet av vecka 2 visar ni flödet mot acceptanskriterierna från genomlysningen. I våra lanseringar är det demon efter sprint 1, och den kommer med en garanti: om den inte uppfyller kriterierna vi skrivit ner tillsammans kan ni avbryta, och ni betalar inte för den sprinten.
Vecka 3–4: integration, mänsklig granskning och behörigheter
Här stannar de flesta prototyper, och här börjar produktionsarbetet.
- Integration: koppla läs- och skrivvägarna till de system flödet berör, till exempel ett affärssystem som Business Central, Fortnox eller Visma, ett CRM som HubSpot eller ett dokumentarkiv som SharePoint. Skrivningar behöver omförsök, skydd mot dubbletter och felmeddelanden som användaren kan agera på.
- Mänsklig granskning: börja med utkast och godkännande. AI:n förbereder ordern, svaret eller klassningen och en person bekräftar. Ta bort godkännandet senare, och bara för fall där utvärderingen visar att det är säkert.
- Behörigheter: användare ska bara få svar ur data de redan kan se i källsystemet. Filtrera det systemet hämtar; lita inte på instruktioner till modellen.
- Loggning: spara indata, hämtade källor, resultat och godkännanden, med personuppgifter maskerade och en överenskommen lagringstid.
- Promptinjektion: om flödet läser mejl eller dokument utifrån, räkna med att någon försöker smyga in instruktioner. Begränsa vilka åtgärder flödet kan utföra och kräv bekräftelse för allt som ändrar data.
Håll en demo halvvägs med processägaren och några av de framtida användarna. Deras synpunkter nu är mycket billigare än efter driftsättningen.
Vecka 5–6: skyddsräcken, övervakning, kostnadstak och driftsättning
De två sista veckorna gör ett fungerande system till ett som ni kan lämna i drift.
- Skyddsräcken: skicka osäkra fall till en person, kräv källor för faktapåståenden och låt systemet säga “jag vet inte”.
- Övervakning: kör om utvärderingsmängden vid varje ändring av prompter, modeller eller datapipelines. Följ felfrekvens, andel ärenden som lämnas över, kostnad per lyckat ärende och svarstid vid 95:e percentilen. För interaktiva verktyg slutar folk ofta använda dem när den går långt över 5–8 sekunder.
- Kostnadskontroll: sätt tak per användare och per månad, begränsa svarens längd, använd en mindre modell för enkla steg som klassning och cacha sammanhang som upprepas. Ha en brytare som stänger av AI-steget och faller tillbaka på den manuella processen.
- Säkerhetsgenomgång: gå igenom dataflöden, åtkomst och loggning med er IT- eller säkerhetsansvarige.
- Driftsättning: utbilda användargruppen och slå på flödet för dem bakom en funktionsflagga, så att ni kan öppna upp gradvis. Börja med en grupp som är liten nog för att ni ska kunna prata med varje användare varje vecka.
Vad ska överlämningen innehålla?
Använd det här som checklista för godkännande, och bestäm värdena under genomlysningen, inte i slutet.
- Flödet är i produktion för den namngivna användargruppen.
- En utvärderingsrapport visar träffsäkerheten mot utvärderingsmängden jämfört med utgångsläget och den överenskomna nivån.
- Svarstid och kostnad per lyckat ärende ligger inom de överenskomna gränserna, och ett fast månadstak för kostnaden är inställt.
- Varje skrivning till affärssystem, CRM eller andra system godkänns av en person eller är begränsad till en lista med tillåtna åtgärder.
- Behörigheterna är testade med minst två olika användarroller.
- Loggarna maskerar personuppgifter och har en bestämd lagringstid.
- Larm går vid felfrekvens, kostnad och avbrott hos modelleverantören.
- En driftmanual beskriver hur man stänger av AI-steget, backar en ändring och byter modell.
- All kod och infrastruktur som kod ligger i ert kodförråd och molnkonto.
- Det finns en namngiven ägare hos er och ett beslut om vem som förvaltar flödet.
Vilken modell och vilken drift ska ni välja?
Bestäm per flöde och bind er inte vid en leverantör. Modeller från OpenAI, Anthropic och Google finns via EU-regioner eller företagsavtal, till exempel Azure OpenAI, AWS Bedrock och Google Vertex AI, och öppna modeller kan köras i er egen miljö när data inte får lämna den. Välj det billigaste alternativet som klarar er utvärderingsmängd och era krav på data. Se till att tjänsten inte tränar på era data och att leverantören finns med i ert personuppgiftsbiträdesavtal. Lägg modellen bakom ert eget gränssnitt, så att ni kan byta när priser eller kvalitet ändras. Vi går igenom tokenpriser och driftkostnader i vad AI-implementering kostar.
När ska ni sluta i stället för att skala upp?
Bestäm stoppkriterierna innan ni börjar, så att beslutet inte blir politiskt senare:
- Huvudmåtten rör sig inte efter två omgångar ändringar.
- Kostnaden per lyckat ärende är högre än vad ärendet är värt.
- De data flödet behöver finns inte, eller går inte att tvätta inom tidsramen.
- De juridiska eller säkerhetsmässiga riskerna går inte att begränsa med rimliga kontroller.
Ett tydligt “investera inte vidare”, med utvärderingsresultat som underlag, är ett bra utfall. Det kostar veckor, inte ett år.
Vilka behöver vara med från er sida?
Färre än de flesta tror: en processägare som kan flödet, 1–2 timmar i veckan, någon på IT som kan ge åtkomst till system och data, och någon som kan godkänna säkerheten och personuppgiftsbiträdesavtalet. Från vår sida leder en senior utvecklare bygget tillsammans med en andra utvecklare, båda från vårt team i Ukraina, och en av grundarna ansvarar för leveransen. Avtalet och personuppgiftsbiträdesavtalet tecknas med vårt svenska bolag, och ingen i teamet rör personuppgifter förrän det avtalet, med EU:s standardavtalsklausuler, är påskrivet.
Vad ni kan göra nu
Har ni en prototyp, eller en idé om ett flöde, skriv först ner hypotesen och dagens utgångsläge. Bara det visar om det är värt att gå vidare. Vill ni ha hjälp att få det i produktion börjar AI Production Launch med en genomlysning på 5 dagar för 3 500 € (ca 38 500 kr), som räknas av fullt ut mot lanseringen om ni startar inom 60 dagar. Själva lanseringen får ett fast pris efter genomlysningen, mellan 20 000 och 35 000 € (ca 220 000–385 000 kr) beroende på omfattning.