KI-integrasjon for bedrifter

KI-piloten imponerte alle i demoen og faller fra hverandre på den tiende ekte kjøringen. Vi bygger og reparerer KI i produksjon: LLM-funksjoner i produkter i drift, assistenter på deres egne data og agentpipelines som fortsetter etter en feil, viser hva de faktisk har sjekket og koster det dere forventet.

Når det er verdt å snakke med oss

Vi kommer inn når KI skal gjøre ekte arbeid hver dag, i et produkt eller en prosess, og noen må stå ansvarlig for resultatet.

En agentpipeline kjører i timevis, feiler halvveis og starter på nytt fra null
Kontrollene lyser grønt på resultater ingen faktisk har sjekket, og feilene dukker opp hos kunden
Ingen kan si hva én kjøring koster eller hvor tiden går
Dere har et produkt i drift og vil ha KI-funksjoner i det, pluss en utvikler som har ansvaret for dem etter lansering
Teamet deres svarer på de samme spørsmålene hver dag ut fra dokumenter, en wiki eller gamle saker, og vil ha en assistent som viser til kildene
Utviklerne deres bruker KI-verktøy for koding, og dere vil ha regler, kontroller og gjennomgang som gjør teamet raskere uten å senke kvaliteten

Hva vi bygger og reparerer

Agentpipelines i produksjon

Pipelines i flere steg på Claude, OpenAI-modeller og lignende verktøy: isolerte steg, sjekkpunkter og kjøringer som kan gjenopptas, køer og arbeidsprosesser i stedet for én lang kjøring, og et fast sett med verktøy for hvert steg.

Kontroller dere kan stole på

Deterministiske kontroller og sporing av dekning i stedet for å stole på et skripts grønne lys. Hver kjøring avsluttes med en rapport over hva som ble sjekket og hva som ikke ble det, pluss tid og kostnad for hvert steg.

Assistenter på bedriftens data

Chatassistenter og internt søk bygd på GPT eller Claude som svarer ut fra deres dokumenter, kunnskapsbase og sakshistorikk (retrieval-augmented generation, RAG). Svarene viser til kilden, og hver bruker ser bare det tilgangsrettighetene tillater.

KI-funksjoner i produkter i drift

Smart søk, sammendrag, innholdsgenerering, chatstøtte og personalisering i produktet deres for iOS, Android eller web. Vi tar oss også av backenddelen: prompter, modellkall, kostnadsgrenser og reserveløsninger, og vi blir med funksjonen etter lansering.

Behandling av dokumenter og e-post

Uthenting av felt fra fakturaer, kontrakter, søknader og skannede skjemaer, klassifisering av innkommende e-post og utkast til svar. Resultatet havner i CRM, ERP eller regnskapssystemet i stedet for i et regneark som noen må skrive av.

KI-assistert utvikling for teamet deres

Vi setter opp KI-verktøy for koding, som Claude Code, i repositoriet deres: regler for kodebasen, underagenter med definerte roller, kontroller før sammenslåing og valg av modell per oppgave ut fra hva en feil koster. Målt på ekte oppgaver før og etter.

Pipelines som tåler den tiende kjøringen

Agentpipelines svikter på måter vanlig programvare ikke gjør. En skriptet kontroll melder suksess for en side ingen har sammenlignet. Agenten forlater prosessen og begynner å bygge et nytt verktøy til seg selv. Ett krasj i en headless-nettleser dreper en kjøring som har gått hele natten. Vi starter med å kjøre pipelinen deres på en ekte oppgave og måle dekning, tid og tokenkostnad per steg. Deretter retter vi det tallene viser: en prosess agenten ikke kan forlate, sporet dekning i stedet for tillit, og kjøringer som fortsetter fra siste sjekkpunkt. For et nytt bruksområde er rekkefølgen den samme: først oppgaven og dataene, deretter modellen.

Deres data, deres regler

Før vi skriver kode, avtaler vi hvor dataene skal ligge og hvilke modeller som får se dem. For mange bedrifter holder et kommersielt API som OpenAI eller Anthropic med bedriftsvilkår og uten trening på deres data. Der det ikke holder, finnes det skyløsninger for de samme modellene med hosting i EU, eller modeller med åpne vekter som kjører på deres egne servere, slik at dataene aldri forlater infrastrukturen deres. Vi utformer tilgangene slik at assistenten ikke kan vise en ansatt et dokument vedkommende ikke har lov til å åpne. Selskapet vårt er registrert i Estland, så vi jobber som standard etter EUs regler for personopplysninger.

Et skriftlig datakart: hva som sendes til modellen, hva som lagres, hvor og hvor lenge
Et modellvalg som svarer til kravene deres til konfidensialitet, inkludert løsninger på egne servere
Rollebasert tilgang til dokumenter som gjelder helt frem til KI-svarene
Fjerning eller maskering av personopplysninger der oppgaven ikke krever dem
Logger over prompter og handlinger, slik at dere kan se hva systemet gjorde og hvorfor

Kvalitet dere kan måle, feil dere kan fange opp

Språkmodeller høres selvsikre ut også når de tar feil, så vi bedømmer ikke en pilot ut fra noen få imponerende demonstrasjoner. Sammen med teamet deres lager vi et testsett med ekte spørsmål og dokumenter med riktige svar, og kjører hver versjon av systemet mot det. I produksjon legger vi til kontroller som står i forhold til risikoen: terskler for sikkerhet, kildehenvisninger, validering av uthentede felt mot registrene deres og manuell gjennomgang av beslutninger som betyr noe. På regelverkssiden stiller EUs KI-forordning (AI Act) ulike krav avhengig av hvordan KI brukes. Vi hjelper dere å finne ut hvilke av dem som sannsynligvis gjelder for deres bruksområde, og bygger inn blant annet tydelig informasjon til brukerne om at de snakker med KI, mens selve den juridiske vurderingen ligger hos deres jurister.

Et testsett basert på deres egne saker og en repeterbar kvalitetsscore for hver versjon
Sikkerhetsmekanismer: kildehenvisninger, avvisning når svaret ikke finnes i kildene, validering av felt
Manuelle kontrollpunkter der et feil svar ville bli dyrt
Overvåking av svarkvalitet, kostnad per forespørsel og tilbakemeldinger fra brukerne etter lansering

Slik gjennomføres et KI-prosjekt

Revisjon eller kartlegging

For en eksisterende pipeline eller funksjon: en kjøring på en ekte oppgave med målt dekning, tid og kostnad. For en ny: intervjuer og en gjennomgang av dataene. Dere får en skriftlig rapport og en rangert plan.

Pilot på ekte data

En fungerende prototype for ett bruksområde, koblet til et utvalg av deres egne dokumenter eller henvendelser. Dere ser hva den gjør med deres materiale, ikke med en leverandørs demo.

Kvalitetsvurdering

Vi måler piloten mot et avtalt testsett og går gjennom feilene sammen med teamet deres. Dere får en tydelig beslutning om å gå videre, justere eller stoppe, basert på resultater.

Utrulling i produksjon

Integrasjon med CRM, ERP, e-post, app eller intranett, tilgangskontroll, logging og overvåking. Teamet deres får et verktøy det kan bruke daglig, og instruksjoner for det.

Drift og videreutvikling

Vi følger med på kvalitet og kostnader, oppdaterer kunnskapsbasen og promptene og bytter til bedre modeller når de kommer. Dere får jevnlige rapporter og en liste over neste forbedringer.

Modeller og verktøy

Språkmodeller

Søk og data

Pipelines og verktøy

Backend og integrasjon

Slik kan vi samarbeide

Revisjon eller pilot

En målt kjøring av den eksisterende pipelinen deres, eller en pilot for ett nytt bruksområde på deres egne data. En skriftlig rapport til slutt uansett.

Reparasjon og utvikling

De viktigste rettingene fra revisjonen, eller en ny pipeline eller funksjon, med tall før og etter. Fast omfang eller per time.

Månedlig drift

Mislykkede kjøringer håndteres innen avtalt svartid, oppdateringer for nye versjoner av modeller og verktøy, og nye steg etter hvert som arbeidet vokser, innenfor et månedlig timetak.

Tilbakemeldinger

Vi behandler hver kunde og prosjektet deres med omtanke.

Revol-teamet fortsetter å effektivisere kundens utviklingskapasitet med arbeid av høy kvalitet og pålitelig support. De kommuniserer godt og viser en solid forståelse av kundens behov og virksomhet.

Tomas

Daglig leder (Yukon, Canada)

Arbeidet fra Revol har fullt ut innfridd forventningene, og kunden er fornøyd. Den friske tilnærmingen og evnen til å være tilgjengelige for support har vært verdifulle. Kunder kan trygt velge dem som et kommunikativt og kundeorientert team som hjelper dem å nå målene sine.

Andrey

Daglig leder, Stellium (USA)

Ofte stilte spørsmål

Hvor starter vi hvis vi ikke har noen erfaring med KI?

Med en kort kartlegging: vi snakker med teamene som håndterer henvendelser, dokumenter og kundespørsmål, og ser på dataene de jobber med. Resultatet er en rangert liste over bruksområder og én pilot som testes først. Dere trenger ikke forberede noe spesielt utover tilgang til folk og eksempeldata.

Agentpipelinen vår feiler stadig. Bygger dere den på nytt fra bunnen av?

Som regel ikke. Vi jobber innenfor det dere allerede har, måler en ekte kjøring først og retter punktene som koster mest. Å skrive alt på nytt er den enkle anbefalingen og sjelden den riktige.

Vil dataene våre bli brukt til å trene andres modeller?

Ikke hvis vi setter det opp riktig. API-vilkårene for bedrifter hos de store leverandørene utelukker trening på deres data, og der det ikke er nok, bruker vi modeller med hosting i EU eller modeller med åpne vekter på deres egne servere. Hvilket alternativ som passer, avgjøres ved oppstart og skrives ned, sammen med hva som lagres og hvor lenge.

Hvordan håndterer dere feilaktige eller oppdiktede svar?

Vi kan ikke gjøre en språkmodell ufeilbarlig, så vi utformer løsningen rundt feilene. Assistentene svarer bare ut fra deres kilder og viser til dem, avslår når svaret ikke finnes der, og testes mot et sett med ekte spørsmål før hver lansering. Der en feil er kostbar, bekrefter en person resultatet før noe skjer.

Hva med GDPR og EUs KI-forordning?

Vi bygger med GDPR i tankene fra første dag: dataminimering, tilgangskontroll, hosting i EU ved behov og tydelig dokumentasjon av hva som behandles. Når det gjelder KI-forordningen, hjelper vi dere å forstå hvilke plikter som sannsynligvis er relevante for bruksområdet deres, og gjennomfører den tekniske delen, for eksempel å informere brukerne om at de snakker med KI og å føre logger. De juridiske konklusjonene bør komme fra deres egne rådgivere.

Kan dere legge til KI-funksjoner i appen eller nettstedet vi allerede har?

Ja. Vi legger til backenddelen som kommuniserer med modellen, kobler den til innholdet og brukerdataene deres og bygger grensesnittet i produktet for iOS, Android eller web. Dette omfatter kostnadsgrenser per bruker og en reserveløsning for når modelleverandøren er utilgjengelig.

Når vil dere fraråde bruk av KI?

Når reglene er tydelige og stabile, er en vanlig integrasjon eller et skjema billigere, raskere og mer forutsigbart. Når det nesten ikke finnes data å lære av, eller når hvert svar må være helt riktig og ikke kan kontrolleres, tilfører KI risiko i stedet for å fjerne arbeid. I slike tilfeller sier vi det og foreslår som regel vanlig prosessautomatisering i stedet.