I huvudet på en utvecklare
I huvudet på en utvecklare
DEL 4 / Niklas Hallqvist / CTO
DEL 4 / Niklas Hallqvist / CTO
Generativ AI har på bara några år gått från forskningsdemo till något som “alla” har i fickan. De flesta har åtminstone testat att skriva in en fråga i en chatt, fått ett svar, och tänkt något i stil med: “Oj, det där var ändå ganska imponerande.”
FRÅGAR DU OM RECEPT, resmål, träningsprogram eller en lagom krånglig förklaring av kvantfysik för en tonåring, så fungerar det ofta förvånansvärt bra. Skriver du: “Vilka asiatiskt inspirerade rätter kan jag laga med gurka, kyckling, kyckling, chili och vanliga svenska stapelvaror?” …så får du säkert fler bra idéer än du hinner laga mat på en vecka.
Det är fascinerande. Men det är inte där jag, som utvecklare, fastnar med blicken. Det är lite som att se en väldigt duktig trollkarl uppträda på stan. Kul, imponerande – men förr eller senare börjar det klia i huvudet — Okej. Men kan vi få den där trollkarlen att jobba för oss? På riktigt?
Och det är där den här texten börjar.
När frågorna blir på allvar
För det mesta handlar våra “riktiga” frågor inte om allmän kunskap. De handlar om sådant som:
INTERNA SYSTEM. Affärssystem, CRM, egenutvecklade portaler, specialbyggen som vuxit fram under tio års “det där fixar vi sen”.
PRIVATA DATABASER. Kunddata, orderhistorik, priser, rabatter, offertmallar, avtal, loggar, produktionsdata.
SAKER SOM INTE ENS FINNS FÄRDIGA. Rapporter som bara genereras vid behov. Analysresultat som uppstår först när någon kör en intern algoritm. “Tysta kunskapen” i huvudet på några nyckelpersoner.
Samtidigt vill många
företag nu “börja med AI”.
Det här är data och processer som inte ligger öppet på nätet, och som en generell språkmodell alltså inte har någon aning om. Samtidigt vill många företag nu “börja med AI”. Ofta betyder det ungefär:
“Kan vi inte bara stoppa in vår data i ChatGPT / valfri modell, så får vi svar?”
Tyvärr är det inte så det funkar. Visst, du kan ladda upp en Excel-fil och ställa frågor kring den. Det är bra – men det räcker bara en bit.
Efter ett tag tar det stopp: Din data är utspridd i flera system. Mycket av den går inte enkelt att exportera. En del av det du vill veta går inte att hämta direkt – det måste räknas ut genom interna regler, kod eller affärslogik.
Och det är här jag börjar tänka i andra banor.
AI-agenter: från magisk svart låda till specialister
Det jag jobbar mycket med just nu brukar kallas för AI-agenter. Det låter flådigare än det är. I grunden handlar det om något ganska jordnära:
Istället för att be en stor språkmodell kunna “allting”, låter vi den prata med specialister.
En specialist kan till exempel vara:
● En komponent som förstår ditt affärssystem
● En modul som kan göra avancerade beräkningar
● En tjänst som får skicka e-post från din företagsadress
● En intern rapportmotor som vet hur siffror ska tolkas i din verksamhet
Språkmodellen blir då inte längre en ensam trollkarl, utan mer som en klok generalist som vet vilken specialist den ska prata med, och vilka frågor den ska ställa.
En bild att ha i huvudet: läkaren och labbet
En bra liknelse är vården: Läkaren (språkmodellen) har bred medicinsk kunskap, kan resonera, ställa frågor, förklara. Labbet och röntgen (agenterna) har specialiserade verktyg som läkaren saknar.
Läkaren kan inte med bara sina allmänkunskaper se dina blodvärden – men hen vet vilka prover som ska tas, vilken undersökning som behövs, och vad resultaten betyder när de kommer tillbaka.
PÅ SAMMA SÄTT: Språkmodellen förstår ditt språk, din fråga, din verksamhet i stort.Agenterna hämtar, beräknar, filtrerar, skickar, uppdaterar – enligt regler du bestämt.
Hur skapar man en agent - egentligen?
Tekniskt sett är en agent inte särskilt mystisk. Jag förenklar lite, men i princip behöver den kunna:
1. Beskriva vilken kunskap eller vilka funktioner den har tillgång till:
● “Jag kan hämta ordrar ur affärssystemet.”
● “Jag kan räkna ut täckningsbidrag per kund.”
● “Jag kan skicka mejl.”
2. Beskriva hur en fråga ska se ut:
●Vilka parametrar som behövs: kundnummer, datumintervall, produkttyp…
● Vilka begränsningar som gäller: max antal resultat, vad som är tillåtet att göra.
Språkmodellen får sedan en slags “manual”:
“Om användaren vill veta något om X – och det kräver Y – så är det den här agenten du ska fråga, på det här sättet.”
För den teknikintresserade läsaren: Det kan i praktiken handla om ett API, ett schema (typ JSON-schema), en funktionslista, och ganska tydliga regler för vad som får göras. Språkmodellen får *inte* direktaccess till databasen, utan bara till just de operationer du har godkänt.
Exempel: Julhälsningen som skriver sig själv (nästan)
Låt oss ta ett affärsnära exempel. Säg att du:
● Har ett affärssystem (ERP)
● Har ett CRM-system
● Har en företags-mail som du gärna vill att AI ska kunna hjälpa dig med
Du ber utvecklaren (eller dig själv, om du råkar vara den):
1. Affärssystemsagenten Kan hitta alla dina kunder. Kan se vilka som handlat under året. Kan hämta kontaktpersoner och mejladresser.
2. CRM-agenten Kan hämta senaste kunddialogen. Kan se om det finns öppna ärenden, reklamationer, särskilda anteckningar.
3. Mailagenten Kan skicka mejl “som dig”, från din adress. Får bara skicka mejl som språkmodellen uttryckligen ber om, och loggar allt.
En dag i december skriver du: “Skicka ett personligt God Jul-mail till alla mina kunder som köpt något under året. Håll det varmt men professionellt, och referera gärna kort till vad vi gjort tillsammans i år.”
Språkmodellen gör då – förenklat – något i den här stilen:
1. Frågar affärssystemsagenten: “Vilka kunder har Niklas som säljare, och har köpt något i år? Ge mig en lista med kontaktperson och mejladress.”
2. För varje kund i listan: Frågar CRM-agenten: “Har vi någon anteckning eller senaste dialog med den här kunden?” Sammanställer en kort bild: “Beställt ersättningsartiklar i september, nöjd med leveransen, funderar på uppgradering nästa år.”
3. Formulerar ett mejl, t.ex.:
> “God jul, Anna!
> Kul att vi fick hjälpa er med ersättningsartiklarna i september – jag hoppas att de fungerat bra i er produktion.
> …”
4. Ber mailagenten att skicka mejlet, och logga att det gjorts.
Du har alltså inte bara bett en modell “skriva en julhälsning”, utan låtit den:
● Ta reda på vem den ska skicka till
● Ta reda på vad ni gjort tillsammans
● Formulera något som känns personligt, men fortfarande är kontrollerat
Varför inte bara träna en egen modell?
En vanlig fråga jag stöter på är: “Kan vi inte bara träna en egen språkmodell på vår data, så slipper vi allt det här?”
Det går, men det har några rätt tunga nackdelar:
● Träning är dyrt – både i pengar och tid
● Modellen blir snabbt inaktuell – din data ändras varje dag.
● Du får ändå inte de “live”-funktioner du vill ha (skicka mejl, skapa ordrar, uppdatera system).
Med agenter gör du istället så här:
● Du behåller en kraftfull, generell modell för språk och resonemang.
● Du lägger till specialister som kan din data och dina system, i realtid.
● Du kan ändra agenternas logik, regler och tillgång utan att “träna om” någonting.
För mig, som utvecklare, är det här mycket mer attraktivt än att förvandla allt till ett träningsproblem. Jag får jobba med API:er, datastrukturer, logik – sådant jag vet hur man testar, versionerar och rullar ut.
Vad betyder det här för dig?
Oavsett om du är tekniker, chef eller “bara” nyfiken, kan du ställa dig några enkla frågor:
● Har ni viktig kunskap som sitter inlåst i ett eller flera system?
● Behöver du ofta be någon “dra ut en rapport” som sedan studsar runt som Excel-fil på mejl?
● Finns det beslut idag som bygger på manuella steg, där någon egentligen bara översätter data till text?
Om du svarar ja på någon av dem, är AI-agenter inte science fiction – det är ganska lågt hängande frukt.
Det betyder inte att allt ska automatiseras. Men det betyder att:
● Språkmodellen kan hjälpa dig att ställa bättre frågor
● Agenterna kan hämta och bearbeta rätt data
● Du kan lägga mer tid på att tolka och besluta, mindre på att knappa och klippa/klistra
Vad som snurrar i mitt huvud just nu
Som utvecklare (och lite yrkesskadad problemlösare) fastnar jag mindre för de glansiga AI-demosen, och mer för de här frågorna:
● Hur gör vi det enkelt för språkmodellen att förstå våra system – utan att släppa lös den hur som helst?
● Hur formulerar vi agenter som både är begripliga för en modell, och trygga för ett företag?
● Hur bygger vi en arkitektur där vi kan lägga till fler agenter, fler system, utan att allt blir skört?
Det är den typen av tankar som fyller mitt huvud just nu. Inte “kan AI ersätta människor?”, utan mer:
“Hur får vi AI att samarbeta med våra system och oss själva – så att vi tillsammans blir lite skarpare, lite snabbare, lite mer kundcentrerade?”
Och när en modell skriver ett rätt hyggligt recept på kyckling med gurka och chili, så tänker jag mest:
“Fint. Men vänta bara tills du får sätta tänderna i vårt affärssystem.”
Hur kan en "agent-interaktion" se ut bakom kulisserna?
= Språkmodellen ser din fråga: =
User:
”Skicka ett personligt julmail till alla kunder som beställt något i år.”
= Den bestämmer sig för att fråga affärssystemsagenten: =
Call:
ERP_AGENT
.get_customers_with_orders Args: { ”sales_rep”: ”niklas”, ”year”: 2025 }
= ERP-agenten svarar: =
Result:
[
{ ”customer_id”: 42, ”name”: ”Exempel AB”, ”email”: ”anna@example.se” },
...
]
= Språkmodellen loopar över listan, =
= kompletterar eventuellt med CRM-data, =
= och ber MAIL_AGENT att skicka mejl för varje rad. =
