AI-automation i praktiken – vad som faktiskt går att automatisera

Tre olika saker säljs ofta under samma namn. Regelmotorer gör exakt det ni beskrivit: om leverantör X, kontera på Y. Billigt, förutsägbart, och helt hjälplöst inför något nytt.

RPA härmar en människas klick i gränssnittet. Användbart när ett system saknar API, men känsligt – ändras gränssnittet slutar roboten fungera.

AI-automation gör en bedömning baserad på mönster. Den klarar varianter den inte sett tidigare, men kan också ha fel. Därför behöver den alltid en konfidensmätning och en väg tillbaka till en människa.

I praktiken kombineras de tre. Regler för det förutsägbara, AI för resten, och en människa i loopen där konsekvensen av ett fel är stor.

Fyra frågor räcker för att sålla:

Volym. Hur många gånger per månad? Under hundra är effekten sällan värd integrationsarbetet.

Variation. Ser fallen olika ut? Låg variation betyder att regler räcker – då behövs ingen modell.

Historik. Finns dokumenterade tidigare beslut att träna och utvärdera mot? Utan facit går det inte att mäta om modellen är bra.

Konsekvens vid fel. Vad kostar ett felaktigt beslut? Det avgör hur hård kontrollpunkten behöver vara, inte om ni ska göra det.

En fungerande lösning har nästan alltid samma fem delar: en trigger som startar flödet, datainhämtning från källsystemen, en modell eller LLM som gör bedömningen, en kontrollpunkt som avgör om det går automatiskt eller till granskning, och en återskrivning till källsystemet med full loggning.

Det som brukar ta tid är inte modellen – det är datainhämtningen och återskrivningen. Räkna med att integrationsarbetet är den större delen av projektet.

Den vanligaste orsaken är att piloten byggdes på en exportfil i stället för mot en riktig integration. Den fungerar utmärkt i demo och kan inte sättas i drift utan att byggas om.

Den näst vanligaste är att ingen äger resultatet. Om AI:n producerar förslag som ingen har i uppgift att granska, slutar de granskas – och då slutar lösningen användas.

Den tredje är att effekten aldrig mättes före start. Utan en baslinje går det inte att visa att något blev bättre, och då prioriteras nästa steg bort.

Mät handläggningstid per ärende, andel som går igenom utan manuellt ingripande och felfrekvens – alla tre före start. Att bara mäta det sista är vanligt och missvisande: en modell som avstår från att svara har noll fel och noll värde.

Kör piloten parallellt med nuvarande arbetssätt en period. Det kostar lite extra tid och är det enda sättet att veta om modellen faktiskt är bättre än det ni redan gör.

Processautomation · Automatisera bokföringen · ROI-kalkylator · System vi integrerar AI med