Svaren finns, men ingen hittar dem
Kunskapen ligger i manualer, avtal och system. Medarbetare frågar hellre en kollega än letar — och kollegan vet inte heller alltid.
Kunskapssökning i era egna källor
Generativ AI för företag
Vi bygger generativ AI kopplad till era egna system och data — RAG-lösningar, dokumentflöden och AI-assistenter. Vi börjar med ett avgränsat fall och skalar först när det mäter upp.

EU-drift
Era dokument stannar i EU
Avgränsat
Pilot innan full utrullning
Era källor
Svar från era dokument
Överlämningsbart
Kod, data och dokumentation
Ni behöver inte ha en färdig kravspecifikation. Däremot behöver det finnas ett återkommande problem, en tydlig målgrupp och vilja att börja avgränsat.
Kunskapen ligger i manualer, avtal och system. Medarbetare frågar hellre en kollega än letar — och kollegan vet inte heller alltid.
Kunskapssökning i era egna källor
Support och handläggare lägger tid på återkommande frågor i stället för på ärendena som faktiskt kräver en människa.
AI-assistent med eskalering till människa
Det finns en idé och ett budgetutrymme, men ingen vill låsa en stor investering i något som kanske inte håller i produktion.
Avgränsad pilot med verkliga användare
Mindre lämpligt när en enkel, regelbaserad automatisering löser problemet bättre.
Kundcase · Herrljunga kommun
Bergvärmeansökan kräver flera uppgifter och geografisk förståelse. Vi byggde ett chattbaserat formulär som ställer nästa fråga utifrån föregående svar och validerar platsen direkt mot fornlämningsregister, Lantmäteriet och kommunens GIS — medan den sökande fortfarande står i ansökan.
En kontakt, ett ansvar och en sammanhängande leverans. Vi kopplar ihop användningsfall, data och integration så att lösningen hamnar där arbetet redan sker.
01
Vi bygger assistenter som svarar kunder och medarbetare på era egna källor — inte på allmänt internetinnehåll — och lämnar över till en människa när frågan kräver det.
02
Ostrukturerad text från mejl, formulär och dokument blir strukturerad data. Handläggningen går snabbare och inget faller mellan stolarna i uppföljningen.
03
AI:n hamnar där arbetet redan sker — i affärssystem, ekonomisystem, CRM och supportplattform — i stället för i ännu ett gränssnitt att logga in i.
Så fungerar ett uppdrag
Den vanligaste orsaken till att AI-projekt stannar på prototypstadiet är att första steget är för stort. Vi börjar med ett fall som är litet nog att lägga ner och tillräckligt riktigt för att ge ett ärligt svar.
Kartlägg ert användningsfallVi går igenom era processer och frågar rakt ut om AI är rätt verktyg här. Ibland är svaret nej — och det sparar ni tid på att veta tidigt.
Ni får: rekommenderat användningsfall, upplägg och pris
Vi kopplar lösningen till era källor och bygger en version som är liten nog att lägga ner och riktig nog att ge ett ärligt svar.
Ni får: fungerande lösning testad av verkliga användare
Vi integrerar lösningen i era system, mäter vilka frågor den hanterar dåligt och justerar. Ni ska kunna uppdatera källor utan att ringa oss.
Ni får: driftsatt lösning, dokumentation och förvaltningsplan
Teknik som går att äga
Era dokument lagras på servrar i EU. Vi använder OpenAI eller liknande tjänster, men kan sätta upp egna modeller när data är känslig. Data kan krypteras, och ni äger alltid era dokument och konversationsloggar.
AI-lösningarna vi bygger är alltid förankrade i en bransch och dess data. Till exempel i de här tre.
Vi arbetar med företag i olika branscher. Läs om tidigare projekt och vilka resultat lösningarna gav i praktiken.












Det viktigaste att reda ut innan ni väljer AI-partner, första användningsfall och leveransmodell.
Kostnaden beror på hur många källor lösningen ska läsa, vilka system den ska integreras med och hur höga kraven på säkerhet och uppföljning är. Vi avgränsar ett första användningsfall och presenterar team, tidplan och pris innan ni tar beslut — ett avgränsat första steg kostar betydligt mindre än en full utrullning. Vår prisguide för mjukvaruutveckling ger en första uppfattning.
Tiden beror på omfattning, datakvalitet och integrationsbehov. Vi börjar med ett avgränsat användningsfall som testas med verkliga användare — inte med intern demotestning. Målet är ett ärligt svar på om lösningen håller innan ni investerar vidare.
Via systemets API eller databas, med ett integrationslager mellan AI:n och affärssystemet. Vi läser data från ERP, ekonomisystem eller CRM — exempelvis Fortnox, Visma eller Business Central — låter modellen arbeta på den och skriver tillbaka resultatet till rätt fält. Behörigheter ärvs från systemet, så att ingen ser data de inte redan har rätt till, och varje anrop loggas för spårbarhet.
Ja. Vi kan gå in i en befintlig prototyp, bedöma vad som håller för produktion och prioritera det som saknas — datakvalitet, integrationer, säkerhet och uppföljning. Allt behöver sällan byggas om. Så tar man en AI-pilot till produktion.
Ni äger koden, dokumentationen, era dokument och era konversationsloggar. Vi bygger med etablerad teknik och dokumenterar viktiga beslut, så att ert eget team eller en annan partner kan ta över och vidareutveckla lösningen. Ingen inlåsning hos oss.
Vi arbetar gärna med fast pris när användningsfallet går att avgränsa tydligt — vilket det ofta gör i ett första steg. Vid löpande vidareutveckling arbetar vi med en transparent, prioriterad backlog. Efter första kartläggningen föreslår vi den modell som ger er bäst kontroll.
Era dokument lagras säkert på servrar i EU. Vi använder OpenAI eller liknande tjänster men kan även sätta upp egna modeller om ni har känslig data. Data kan krypteras och ni äger alltid era egna dokument och konversationsloggar. Tips på vad er AI-policy bör täcka.
Generativ AI kan ge felaktiga svar. Därför bygger vi in kvalitetssäkring med testning, loggning, begränsningar i vad modellen får svara på och möjlighet att eskalera till en människa vid osäkerhet. Vi följer upp efter lansering — kvaliteten försämras annars över tid. Fler risker att ta höjd för från start.
Generativ AI passar inte alla problem. Är flödet strukturerat och förutsägbart är regelbaserad automatisering ofta snabbare och billigare att bygga och underhålla. Ska ni förutsäga ett numeriskt utfall från historisk data passar vanlig maskininlärning bättre. Vi säger till när det är fallet. Skillnaden mellan AI-agenter och automatisering.
⚡ Vi svarar dig inom 24h!