AI & automation
Affärslogiken först. Tekniken därefter.
De flesta AI-projekt börjar i tekniken och letar sedan efter ett problem. Vi börjar i affärsfrågan: vilket beslut ska bli bättre, och vad kostar dagens arbetssätt i tid, marginal eller beslutskvalitet? Sedan avgör vi om AI behövs — eller om något enklare löser det.
Prissättning ger svaret på vad något borde kosta. Dataanalys ger underlaget som gör svaret trovärdigt. Marknadsföring avgör om efterfrågan finns där. AI och automation är det som gör att svaret faktiskt går att använda på måndag morgon, varje vecka, utan att någon exporterar en fil. De flesta lönsamhetsförbättringar sitter mellan de här områdena, inte inom dem — och det är därför en renodlad AI-leverantör kan bygga rätt sak till fel affärsfråga.
Vad det ger
- Rapporten är klar innan beslutet ska fattas
- Manuella överlämningar kostar ledtid, och ledtid kostar beslut som fattas för sent eller på förra månadens bild. Vi tar bort momenten som inte behöver en människa och lämnar kvar de som gör det.
- Siffran går att följa tillbaka till källan
- Ett tal ingen kan förklara går inte att fatta beslut på, hur avancerad modellen ovanpå det än är. Vi gör härledningen spårbar — ofta börjar det med att ena en definition, inte med att samla mer data.
- Du ser marginaleffekten innan affären är gjord
- Rabatter godkänns per affär och marginalen syns kvartalet efter, på aggregerad nivå. Vi flyttar beräkningen till beslutstillfället, dit den hör.
- Vi bygger det vi rekommenderar
- En rekommendation som inte genomförs är en kostnad. Vi stannar tills flödet är i drift och används — och tills du kan mäta om det fungerade.
Det vi levererar
Automatiserad kommersiell rapportering. Utgångsläget är rapportering med manuella överlämningar: export ur flera system, sammanställning i Excel, en kontrollrunda innan utskick.
- Leverans: en pipeline från källsystemen till en färdig dashboard i Power BI — hämtning, sammanställning och distribution utan handpåläggning.
- Mäts genom: ledtid från månadsskifte till påläst rapport, nedlagda timmar, antal korrigeringar i efterhand.
- Kräver inte att ni byter affärssystem.
När AI behövs — och när något enklare räcker
AI är dyrare att bygga och svårare att förvalta än en regel. Frågan bör ställas i den ordningen. Här är hur vi resonerar, inklusive de fall där svaret är att inte bygga något alls.
| Situation | Vad som ofta föreslås | Vad som oftast räcker | När AI faktiskt behövs |
|---|---|---|---|
| Rapporten tar tre dagar | En AI-assistent | Schemalagd hämtning och en fast rapportmall | När underlaget är fritext, inte tabeller |
| Prisbeslut tar för lång tid | Prismotor med maskininlärning | En regelbaserad modell med tydliga trösklar | När variablerna är för många för en regel |
| Data finns i fyra system | Ett datalager | En integration mellan de två som faktiskt används | När källorna är ostrukturerade |
| Ingen vet vilken siffra som gäller | En dashboard | En definition, skriven ned, en gång | Aldrig. Det här är inte ett tekniskt problem. |
Så kan ett uppdrag se ut
Exemplen visar möjliga typer av uppdrag och är inte publicerade kundcase.
Ett vanligt utgångsläge
Rapporteringen tar tre dagar varje månad
- Affärsfråga:
- Hur mycket tidigare skulle vi kunna agera om rapporten fanns dag ett?
- Möjlig insats:
- Automatisera hämtning och sammanställning, behåll den mänskliga kontrollen.
- Tänkbar leverans:
- Ett schemalagt flöde och en fast rapportmall.
Mätpunkter
- Ledtid från månadsskifte till påläst rapport
- Nedlagda timmar per månad
- Antal korrigeringar i efterhand
Ett vanligt utgångsläge
Rabatterna godkänns, marginalen ses i efterhand
- Affärsfråga:
- Var läcker marginalen, och vem kan se det innan affären är gjord?
- Möjlig insats:
- Flytta marginalberäkningen till beslutstillfället, med trösklar.
- Tänkbar leverans:
- En modell säljaren ser direkt i sitt flöde.
Mätpunkter
- Spridning i marginal per order
- Andel affärer under tröskel
- Tid till godkännande
Ett vanligt utgångsläge
Två versioner av samma sanning
- Affärsfråga:
- Vilken siffra gäller, och varför?
- Möjlig insats:
- En definition, nedskriven, och ett flöde som gör härledningen spårbar.
- Tänkbar leverans:
- Definitionskarta och en beräkning med spårbar källa.
Mätpunkter
- Antal avvikande definitioner
- Tid att besvara "varifrån kommer talet?"
Frågor om ai & automation
Tjänsten omfattar processautomation, automatiserad rapportering, pipeline till färdiga dashboards, marginalberäkning vid beslutstillfället, datakvalitet och definitioner, samt avgränsade AI-stöd för enskilda arbetsmoment.
Automation utför en regel du redan har bestämt. AI bedömer något du inte hade kunnat skriva en regel för.
En rapport som skickas varje måndag klockan åtta är automation. Att avgöra vilka av 4 000 artiklar som har fel pris är AI. De flesta problem i ett medelstort bolag löses av det första — och det är billigare, snabbare och lättare att förvalta.
Frågan bör därför ställas i den ordningen: räcker en regel? Kan du skriva ned regeln behövs ingen AI.
Nej. Vi börjar i beslutet, inte i kravet.
En kravspecifikation skriven innan problemet är förstått blir en beställning av fel sak. Den låser dessutom lösningen till den bild ni hade när ni visste som minst om problemet.
Vi börjar med vilket beslut som ska bli bättre och vad det vilar på i dag. Kravet faller ut ur det arbetet.
Nästan aldrig.
De flesta uppdrag handlar om att koppla ihop system som redan fungerar, eller att ta bort ett manuellt moment mellan dem. Ett systembyte är en av de dyraste lösningarna på ett problem som oftast sitter i flödet mellan systemen, inte i systemen.
Om ett byte ändå är rätt svar säger vi det — men då ska det vara för att flödet inte går att laga, inte för att bytet är enklare att sälja.
Vi frågar om en regel räcker.
Går arbetsmomentet att beskriva som ett antal om-så-satser är det automation, och då ska det byggas som automation. AI blir relevant när underlaget är för stort, för ostrukturerat eller för variabelrikt för att en regel ska täcka det.
Jämförelsen finns längre upp på den här sidan, under rubriken om när AI behövs.
Mindre än du tror, men den måste gå att härleda.
Det avgörande är inte mängden utan spårbarheten: går siffran att följa tillbaka till sin källa? En siffra som ingen kan förklara går inte att fatta beslut på, oavsett hur avancerad modellen ovanpå den är.
Ofta är första steget att ena definitionen av ett nyckeltal, inte att samla in mer data.
Ja, och vi rekommenderar det.
Beslutsgenomgången är avgränsad med flit: ett beslut, en process, de datakällor beslutet vilar på. Den ger en bedömning av genomförbarhet, en rekommenderad ambitionsnivå och ett förslag på första steg — plus vad som inte är värt att göra.
Ingen implementation ingår i det steget. Det är meningen: du ska kunna avbryta efteråt utan att ha bundit upp dig.
Vi bygger inte kundapplikationer, driftar inte system och tar inte affärskritisk systemutveckling.
Behöver du det är en utvecklingspartner rätt val, och vi säger till. Vi bygger lösningar som förbättrar kommersiella beslut — prissättning, marginalstyrning, rapportering, datakvalitet och avgränsad automation. Det är där kombinationen av affärsförståelse och teknik gör skillnad.
Är du osäker på vilken kategori ditt behov hamnar i: boka ett kort samtal så ger vi ett ärligt svar.
Låt oss börja med ett samtal
Berätta om din utmaning. Vi svarar inom 48 timmar med en ärlig bedömning av hur vi kan hjälpa.
Svarar inom 48 h · Ingen bindningstid · Första samtalet kostnadsfritt