Sådan tænker vi om AI.
Et essay på almindeligt dansk om, hvad vi mener med "AI- integration" — hvad vi bygger, hvad vi afviser, og hvad vi måler.
De fleste "AI-integrationer", vi ser derude, er en stor sprog- model skruet fast på en produkt-roadmap som dekoration. En presse- meddelelse, en chatbot, et logo på forsiden. Det er ikke integration. Det er skiltning.
Ægte integration starter med et kedeligt spørgsmål. Hvilken beslutning, truffet af et menneske i din virksomhed i dag, kan træffes bedre, hurtigere eller i en skala, teamet ikke kan klare? Så sporer vi data ind, data ud og hvad der sker, når modellen tager fejl — for det gør den.
Start med det kedelige spørgsmål.
Vi begynder ikke med modellen. Vi begynder med arbejdsgangen. Vi sidder med dem, der gør arbejdet, ser dem gøre det, og skriver ned, hvilke vurderinger de træffer uden at tænke. De fleste er ikke AI-problemer. Nogle er.
De, der er AI-problemer, har som regel tre ting til fælles: de er repetitive, de baseres på ustruktureret information, og de er svære at automatisere fuldt ud, men dyre at lave i hånden. Det er sweet spot.
Planlæg for dagen, modellen lyver.
Hver Semantic Kernel, vi leverer, kommer med en plan for den dag, den tager selvsikkert fejl. Det betyder rækværk, fallback-stier, et revisionsspor, et menneske kan læse, og en eskaleringsvej tilbage til en person. Det betyder også at kalibrere modellens tillid ærligt — et system, der siger "jeg ved det ikke", er mere værd end et, der bluffer.
En model, der svarer på almindeligt dansk, skal også kunne indrømme usikkerhed på almindeligt dansk. Vi designer til begge.Resultater, målt i penge.
Intet AI-projekt er færdigt, før vi kan pege på linjen i resultatopgørelsen, hvor integrationen dukker op. Det kan være kortere håndteringstid, højere førsteløsning, færre manuelle gennemgange, eller et produkt, vi slet ikke kunne have leveret uden den. Hvad det ikke er: "brugerne føler sig mere engagerede".
Vi tager ikke AI-opgaver, der ikke kan måles. Hvis vi ikke kan blive enige om målet, før vi starter, er integrationen ikke reel — den er teater.
Hvad det betyder i praksis.
Vi bygger med Semantic Kernel, fordi det lader os samle produktionskode, sporbare prompter og domæneværktøjer på samme sted. Vi bruger retrieval-augmented generation frem for finjusterede modeller, hvor det er muligt, fordi kundens data ændrer sig, og modellen ikke skal trænes om hver gang. Og vi dokumenterer fejltilstande før demoen.
If this matches how you want to ship AI, fortæl os, hvad du bygger.