Allt fler inom industrin lyfter fram agentisk AI som nästa steg i den praktiska AI-utvecklingen. En av aktörerna är AI Empower Labs, som utvecklat en svensk lösning där känslig data kan hanteras lokalt i företagets egen miljö. 


Försäljningschefen Michael Broms beskriver hur tekniken kan användas i tillverkningsföretag.


- Du kan tänka på det som nästa steg i AI-utvecklingen. Generativ AI, som ChatGPT och Gemini, känner de flesta till. Den använder språkmodeller för att generera text, ljud eller bild utifrån frågor med hjälp av sannolikhetsberäkningar. 

- Agentisk AI är nästa generations intelligenta processautomation, och bygger på en integration mellan ett företags interna system och AI-teknologi som språkmodeller (LLM) och maskininlärning. AI-agenter kan arbeta självständigt, planera och utföra komplexa uppgifter i flera steg och anpassar successivt sitt agerande. Som en digital kollega – eller AI med påvisbar affärsnytta.


Automatiserar administrativa flöden

- En av våra kunder är maskintillverkaren Swepac. De låter AI-agenter sköta flera av sina arbetsflöden: produktionsplanering, reservdelsbeställningar och skapande av manualer som tidigare sköttes manuellt. Det sänker kostnaderna och frigör resurser till annat. Agenterna skapar också förslag och ordrar till kunder, vilket effektiviserar och underlättar säljarbetet. Det som gör agentisk AI riktigt spännande är den stora potentialen att automatisera i princip vilka administrativa arbetsflöden som helst inom olika funktioner och processområden.


Osäkerhet bromsar införandet

- Många ser möjligheter till produktivitetsförbättringar, men vet inte var de ska börja. Utbudet av tjänster är spretigt, utvecklingen snabb, och det är svårt att bedöma alternativen. Till det kommer det osäkra geopolitiska läget, där allt fler pekar på riskerna med att vara beroende av amerikanska IT-bolag, liksom att lämna ut känslig information i molnet. 

- Dessutom skapar IT-jättarnas prismodell osäkerhet. Utöver licenser betalar man ofta för så kallade tokens, som är en beräkningsmodell för den output eller mängden data som genereras, vilket gör fakturorna svåra att beräkna.


Fokus på lokal datamiljö

- När våra utvecklare började bygga plattformen runt 2022–2023 var utgångspunkten redan från start att minimera risken för att känslig data kommer på avvägar. Därför paketerade de en open source-lösning som installeras och körs lokalt eller i privat moln, alltså i kundens egen datamiljö, helt säkert från internet. Vi erbjuder plattform, implementering och hosting där intäktlösningen bygger på fasta licensavgifter samt konsulttimmar.


Riktar sig mot tillverkningsföretag

- Stora och mellanstora tillverkningsföretag som vill komma igång med agentisk AI och förbättra sin produktivitet. På sikt hoppas vi nå ut i Europa med Norden som nästa steg, men i starten är siktet inställt på svenska leverantörer.


Så hanteras risken för felaktiga svar

- Den är minimal. Dels för att man bygger multipla agenter med specialiserade uppgifter som samverkar med varandra, dels för att man sätter upp så kallade guardrails: olika kontroll- och styrningsmekanismer. Dessutom finns inbyggda kontroll-loopar som gör att agenten verifierar sig själv, sina svar och aktiviteter. Alla agenter testas också innan de ”går skarpt”. Ju mer de används desto säkrare blir de.


Börja där nyttan är tydlig


- Ett generellt råd är att satsa på den lägst hängande frukten, alltså områden med störst påvisbar förbättringspotential. Glöm heller inte att AI är en förändringsprocess som kan skapa oro bland medarbetare: Kommer den att ta över mitt jobb? Blir jag övervakad? Det är viktigt att ledningen skapar förtroende för ett nytt sätt att arbeta och får med personalen på tåget. När man väl är i gång rullar det oftast på av sig själv. Då hittar folk själva nya användningsområden.




Källa: FKG