Slik tenker vi om AI.
Et essay på vanlig norsk om hva vi mener med "AI- integrasjon" — hva vi bygger, hva vi sier nei til, og hva vi måler.
De fleste "AI-integrasjonene" vi ser der ute er en stor språk- modell skrudd fast på en produktroadmap som dekorasjon. En presse- melding, en chatbot, en logo på forsiden. Det er ikke integrasjon. Det er skilting.
Ekte integrasjon starter med et kjedelig spørsmål. Hvilken beslutning, tatt av et menneske i virksomheten din i dag, kan tas bedre, raskere eller i en skala teamet ikke klarer? Så sporer vi data inn, data ut og hva som skjer når modellen tar feil — for det vil den gjøre.
Start med det kjedelige spørsmålet.
Vi begynner ikke med modellen. Vi begynner med arbeidsflyten. Vi sitter med dem som gjør jobben, ser dem gjøre det, og skriver ned de vurderingene de tar uten å tenke. De fleste er ikke AI-problemer. Noen er.
De som er AI-problemer har som regel tre ting til felles: de er repetitive, de baseres på ustrukturert informasjon, og de er vanskelige å automatisere fullt ut, men dyre å gjøre for hånd. Det er sweet spot.
Planlegg for dagen modellen lyver.
Hver Semantic Kernel vi leverer kommer med en plan for dagen den tar selvsikkert feil. Det betyr rekkverk, reserveveier, et revisjonsspor et menneske kan lese, og en eskaleringsrute tilbake til en person. Det betyr også å kalibrere modellens tillit ærlig — et system som sier "jeg vet ikke" er mer verdt enn ett som blåser.
En modell som svarer på vanlig norsk skal også kunne innrømme usikkerhet på vanlig norsk. Vi designer for begge.Resultater, målt i penger.
Ingen AI-oppgave er ferdig før vi kan peke på linjen i resultatregnskapet der integrasjonen dukker opp. Det kan være kortere behandlingstid, høyere førstegangsløsning, færre manuelle gjennomganger, eller et produkt vi ikke kunne levert i det hele tatt uten den. Hva det ikke er: "brukerne føler seg mer engasjerte".
Vi tar ikke på oss AI-oppdrag som ikke kan måles. Hvis vi ikke kan bli enige om målet før vi starter, er integrasjonen ikke reell — den er teater.
Hva dette betyr i praksis.
Vi bygger med Semantic Kernel fordi det lar oss samle produksjonskode, sporbare prompter og domeneverktøy på samme sted. Vi bruker retrieval-augmented generation fremfor finjusterte modeller der det går, fordi kundens data endrer seg og modellen ikke skal trenge å læres opp på nytt hver gang. Og vi dokumenterer feilmodusene før demoen.
If this matches how you want to ship AI, fortell oss hva du bygger.