AI i företaget: assistenter, agenter och egen LLM

När det här handlar om dig

Teamet lägger timmar på att kopiera och klistra: mejl, dokument, rapporter, datainmatning.

Medarbetarna använder redan ChatGPT på egen hand – med företagets data och utan regler.

Ni testade ett AI-verktyg, det gav självsäkra men felaktiga svar och piloten somnade in i tysthet.

Er data får inte lämna företaget, så moln-AI verkar inte vara ett alternativ.

Det här implementerar vi

Startpunkt

AI-audit av processerna

En karta över var AI sparar timmar och var den ökar risken: uppgifter, volymer, data, ansvariga.

ChatGPT · Copilot · Gemini · Claude

Färdig AI för teamet

Företagsabonnemang uppsatta för ert företag: konton, dataregler, användarpolicy, utbildning.

n8n · Make · APIs

AI-agenter och automation

Agenter som sorterar förfrågningar, skriver svarsutkast, hämtar data ur dokument och uppdaterar CRM:et – med en människa som godkänner där det spelar roll.

RAG

Kunskapsassistent

En intern assistent som svarar utifrån era avtal, manualer och wiki – med länk till källan.

Llama · Mistral · Qwen

Egen LLM i drift

En modell med öppna vikter på era servrar eller i ett dedikerat EU-moln: prompter och dokument lämnar aldrig er egen miljö.

LoRA · testset

Finjustering och utvärdering

Vi tränar en modell på era exempel för ton, format och branschtermer – mätt mot ett testset före och efter.

Så går en AI-implementering till

Kartlägg processen

Vart timmarna går i dag: uppgifter, volymer, vem som gör vad och med vilken data.

Välj användningsfall

Rangordnade efter sparade timmar och risk; vi börjar med det som betalar sig snabbast och är lättast att mäta.

Data och regelefterlevnad

Vilken data uppgiften berör, var den får behandlas och vad GDPR och EU:s AI-förordning kräver.

Välj angreppssätt

Färdigt verktyg, automation, RAG eller en egen modell – enligt matrisen nedan, med skriftlig motivering.

Pilot på riktigt arbete

En liten grupp, verkliga uppgifter och ett testset med era egna exempel att kontrollera svaren mot.

Utvärdera

Träffsäkerhet, sparad tid och fel jämfört med den manuella processen – inte intryck.

Utrullning och utbildning

Åtkomst, användarregler och utbildning för teamet. AI utan regler för användningen är en dataläcka som bara väntar på att hända.

Övervaka och förbättra

Regelbundna kvalitetskontroller, modelluppdateringar och nästa användningsfall.

Vilket angreppssätt – den ärliga matrisen

Från en färdig assistent till en egen modell – vi väljer efter uppgiften, datan och volymen, inte efter hypen:

	✓	✕
Färdiga assistenter (ChatGPT, Copilot, Gemini, Claude)	Snabb start för hela teamet; starka modeller; administrationsverktyg och företagsvillkor för data	Datan behandlas i leverantörens moln enligt avtal; begränsat djup i integrationen
AI i era befintliga verktyg	CRM, kundtjänstsystem och kontorspaket har redan inbyggda AI-funktioner – inget nytt att införa	Du får det leverantören har byggt, inte det din process behöver
Automation + modell-API:er (n8n, Make, kod)	AI i specifika steg: sortera mejl, skriva svarsutkast, flytta data från dokument till CRM:et	Kräver övervakning och felhantering; lagar inte en trasig process
RAG – svar ur era dokument	En assistent som citerar era egna avtal, manualer och wiki; kunskapen uppdateras utan omträning	Aldrig bättre än dokumenten bakom – ett rörigt arkiv ger röriga svar
Egen LLM (modell med öppna vikter på era servrar)	Datan lämnar aldrig er miljö; förutsägbar kostnad vid stora volymer; full kontroll över versionerna	Kräver hårdvara eller GPU-moln och någon som driver det; mindre modeller än de främsta molnmodellerna
Finjustering	Fast ton och format, branschvokabulär, en liten modell som gör ett smalt jobb bra	Inget sätt att lära ut fakta – det är vad RAG är till för; kräver en gedigen uppsättning bra exempel

Vår princip: det enklaste angreppssättet som uppfyller era datakrav vinner. En egen modell när datan kräver det – inte för prestigens skull.

Ärliga förväntningar

Alla uppgifter behöver inte AI. Om en checklista eller en enkel automation räcker säger vi det – och bygger det i stället.
AI gör fel. För allt som når kunder eller är juridiskt bindande godkänner en människa – det steget bygger vi in från början.
Vi mäter före utrullning: ett testset med era verkliga exempel och ett tydligt mått. ”Det verkar smart” är inget resultat.
Er data, era tillgångar: prompter, kunskapsbaser, finjusterade modeller och konton tillhör ert företag.

De första kundcasen förbereds

Vi publicerar case endast med kundens samtycke och verifierade siffror. Fram till dess är metoden och checklistorna ovan det ärligaste vi kan visa.

Från bloggen

AI i företaget 24 september 2026 · 6 min läsning

AI-chatbot för företag: ska den svara på dina kunders meddelanden?

En AI-chatbot för företag kan svara på meddelanden medan du sover, men den kan också artigt tappa en kund. När den hjälper, när den skadar och hur du testar.

AI i företaget 22 september 2026 · 5 min läsning

Claude Opus 5.5: Fable-nivå till 40 % lägre kostnad än Opus 5

Claude Opus 5.5 släpptes den 22 september: 4/20 dollar per miljon tokens, resultat i nivå med Fable 5.1 och 30 % snabbare svar. Vad det innebär för team.

AI i företaget 17 september 2026 · 6 min läsning

ChatGPT Sponsored Agents: OpenAI testar annonser som svarar

OpenAI testar ChatGPT Sponsored Agents: klicka på en annons och chatta med varumärkets agent. Dessutom AI-verktyg samt integrationer med HubSpot och Shopify.

Vanliga frågor

Hur börjar man med AI i företaget?

Med en process, inte med ett verktyg. Auditen visar vart timmarna går och vilka uppgifter AI kan ta över på ett säkert sätt; vi börjar med det användningsfall som betalar sig snabbast och är lättast att mäta.

Är vår data säker i ChatGPT, Copilot eller Gemini?

Företagsversionerna av de här assistenterna har avtalade datavillkor och administrationsverktyg, och villkoren skiljer sig mellan leverantörerna. Om de räcker beror på er data och er bransch – vi stämmer av dem mot era krav före utrullning.

Vad är en egen LLM och när behöver vi en?

En språkmodell med öppna vikter som körs på era egna servrar eller i ett dedikerat moln, så att prompter och dokument aldrig lämnar er miljö. Det är rimligt för känslig data – hälsa, juridik, finans, affärshemligheter – strikta kundavtal eller stora volymer där priset per anrop blir högt.

Behöver vi finjustera en modell?

Oftast inte i början. De flesta affärsuppgifter löses med en bra modell, era dokument (RAG) och tydliga instruktioner. Finjustering lönar sig när ni behöver en fast ton eller ett fast format, branschvokabulär eller en mindre, billigare modell som gör ett smalt jobb – och när det finns tillräckligt med bra exempel.

Vad kostar det att implementera AI?

Det beror på angreppssättet: färdiga verktyg handlar mest om licenser och uppsättning; en egen LLM lägger till hårdvara eller GPU-moln och drift. Vi lämnar pris efter auditen – med de löpande kostnaderna beräknade, inte bara bygget.

Hur är det med GDPR och EU:s AI-förordning?

Vi kartlägger vilka regler som gäller för ert användningsfall: att informera kunder när de pratar med AI, personuppgiftsbiträdesavtal, var data lagras och hur länge. Vi är inte era jurister, men vi bygger så att era jurister kan godkänna lösningen.

Implementera AI i företaget – från färdiga assistenter till egen LLM