Modul 2. Agenter, egen data och ansvarsfull användning

Från generella verktyg till specifika lösningar med egen data 

Många startar sin AI-resa med verktyg som ChatGPT, Claude eller Gemini. De är enkla att använda och kan ge snabba resultat. Markant större affärsnytta uppstår däremot ofta först när AI-teknik kopplas till den unika data som finns i varje verksamhet. I det här avsnittet tittar vi på hur steget kan tas från generella verktyg till mer skräddarsydda lösningar.

RAG-system 

Som vi gick igenom i video 3 av modulen om Generativ AI kan RAG-system vara mycket användbara för företag. RAG, eller Retrieval-Augmented Generation, innebär att en språkmodell (LLM) kombineras med en extern kunskapskälla, till exempel ett företags egna dokument, databaser eller rapporter. På så sätt kan modellen inte bara generera text baserat på sitt träningsmaterial, utan också ge svar som är direkt förankrade i organisationens faktiska data.

För mogna företag kan det handla om avancerade, interna RAG-lösningar som är djupt integrerade i verksamhetens system. Ofta utvecklade tillsammans med externa AI-konsulter. RAG-lösningarna kan till exempel göra det möjligt för medarbetare att använda språkmodeller på företagskänslig information utan att äventyra säkerhet eller regelefterlevnad.

Enklare lösningar för mindre bolag?

Men externa skräddarsydda lösningar innebär kostnader som mindre företag kanske har svårt att lyfta. Och idag finns också enklare sätt att komma igång med RAG-liknande lösningar. De stora chattprodukterna som ChatGPT, Gemini och Claude, har lanserat funktioner som gör det möjligt att ladda upp dokument eller koppla på egna källor till den redan befintliga modellen och träningsdatan – funktioner som utvecklas snabbt nu. Notebook LM är ett annat exempel, från Google, som möjliggör att användare kan ladda upp hundratals dokument till en samling. Därefter kan användaren interagera med dokumentsamlingen och snabbt få relevanta svar med hänvisningar till källorna. I kombination med visuella automatiseringsverktyg som n8n, Make eller Zapier går det dessutom att bygga arbetsflöden som knyter ihop den här typen av AI-lösningar med andra processer i verksamheten.

Den här typen av tjänster, integrerade i de större chattprodukterna, ger mindre företag möjlighet att använda sin företagsspecifika information på nya sätt, utan att behöva skräddarsy ett system från grunden. Det blir dock extra viktigt att göra hemläxan kring ansvarsfullhet, data, GDPR och andra eventuella regelverk som gäller för just den informationen. Vad som får (eller bör) delas med tjänsterna för att bearbetas av språkmodellerna varierar beroende på vilken bransch företaget verkar i och vilka kunder de har – i vissa fall är datan särskilt känslig.

För dig som rådgivare

Som innovationsaktör gäller det att förstå hur företag och entreprenörer kan skapa nytta med den här typen av lösningar, men också att lyfta säkerhetsaspekter och ansvarsfull användning av AI-tjänster. Sekretess, GDPR och andra datasäkerhetsfrågor är viktiga att ha med sig och bygga kunskap kring. Hur ser din organisation på AI-användning, finns det en policy eller några riktlinjer?

Som företagsfrämjare skulle du exempelvis kunna använda den här typen av lösningar (exempelvis med GPT:er eller NotebookLM) för olika typer av kunskapsarbete; exempelvis genom att effektivisera din omvärldsbevakning, fördjupa din branschkännedom eller för att samla kunskap kring EU-rapportering eller frågor om återkommande företagsutmaningar som du ofta möter.

Fördjupning:

Fokusmodul: Fördjupning i RAG-system (Video 2025-08-21)
Så blir Svea bättre genom annotering (Video 2025-06-16)

Kort om MCP (Model Context Protocol) 

MCP kan vara ytterligare en nyckel för att skapa värde med AI i en mindre verksamhet. Förutom att koppla företagsspecifika dokument eller datakällor till en språkmodell via skräddarsydda RAG-system, alternativt ladda upp dem direkt till de populära chattprodukterna, är det värt att känna till MCP (Model Context Protocol). 

Förenklat kan man säga att MCP är en öppen standard som gör det möjligt för AI-modeller att kommunicera med externa källor och verktyg på ett enhetligt och standardiserat sätt. Det gör att företag kan dra nytta av AI utan att behöva bygga varje integration från grunden, något som öppnar för användning också utanför de mest tekniska bolagen.

Och när vi nu går vidare till nästa avsnitt, det om AI-agenter och agentsystem, blir det lätt att se varför en sådan teknik behöv. För om agenter ska kunna samarbeta och utföra uppgifter samspel, kring allt från att boka våra möten, uppdatera våra register eller utföra våra arbetsuppgifter, ja då blir protokoll som MCP en viktig byggsten.

Fördjupning: What is MCP? Integrate AI Agents with Databases & APIs (Youtubevideo, IBM Technology).

Reflektionsfrågor

• Hur kan du som rådgivare hjälpa företag att ta steget från att använda generella AI-verktyg till att bygga lösningar baserade på sin egen data – och därigenom skapa unika konkurrensfördelar?

• När företag vill använda AI på sin egen data väcks frågor om informationssäkerhet, GDPR och risken för att läcka företagshemligheter. Hur kan du som rådgivare bidra till att de ställer rätt frågor och gör medvetna och långsiktiga val?

Ansvarsfullt användande av AI

I det här avsnittet får du en introduktion till olika typer av bias, vilka risker de medför och hur olika företag, utvecklare och individer kan bidra till att förebygga och hantera dem.

För alla AI-system bär på någon typ av bias, snedvridningar som uppstår i träningsdatan eller när vi använder tjänsterna i praktiken. Det kan leda till risker som felaktiga beslut, diskriminering eller etiska problem, men också till mer vardagliga misstag som felaktiga svar, dråpliga feltolkningar eller rena hallucinationer.

För dig som rådgivare handlar det om att förstå både möjligheterna och fallgroparna som uppstår kring ansvarsfull AI-användning, dels i ditt eget användande av AI-teknik, dels så att du kan guida företag i hur de använder AI på ett ansvarsfullt och medvetet sätt.

I videon nämner vi en rad risker och fallgropar med AI, bland annat: 

• Läcka information och säkerhet
• Hallucinationer och opålitliga svar
• Etiska risker
• Snedvridning och diskriminering
• Oavsiktligt intrång på upphovsrätt

Som olika typer av bias, eller snedvridning, lyfts också:

• Skeva dataset
• Orepresentativa dataset
• Förstärkt bias genom feedbackloopar
• Bias i instruktioner (guardrails)
• Bias i prompter

Företag som bygger in eller utvecklar egen AI i sina produkter, eller fungerar som återförsäljare av AI-teknik, behöver förhålla sig till EU:s AI Act (eller AI-förordningen, som den heter på svenska). För att ge en överblick över vad regelverket innebär, särskilt för små och medelstora företag, har vi tagit fram utbildningsmodulen om AI Act.

AI väcker också frågor om etik och ansvar, inte minst när det gäller autenticitet, upphovsrätt och bias. Och som med all innovation och teknik uppstår både möjligheter och utmaningar – och resan däremellan kan ofta vara rörig. I sådana situationer måste vi vara uppmärksamma på att undvika fällan att tro att det är tekniken som antingen är bra eller dålig. I stället måste vi fokusera mer på hur användningen av AI ansluter till önskade eller oönskade resultat för människor och omvärlden. Som del av det företagsfrämjande systemet kan du ha en nyckelroll för hur företag väljer att prioritera de här frågorna.

Fördjupning: Responsible AI Knowledge Hub (AI Sweden)
 

Reflektionsfrågor

• I vilka use-case och företag som du möter ser du störst risk för bias eller oönskade resultat, och hur kan du stötta dem i att upptäcka och hantera det?

• Tänk på ett konkret möte du haft med en entreprenör: hur hade du kunnat lyfta frågor om ansvar och risker med AI på ett sätt som stärker, snarare än dämpar, deras innovationsdriv?

• Många företag fokuserar på att lösa akuta behov med AI. Hur kan du i din roll samtidigt hjälpa dem att väga in långsiktiga risker som etik, säkerhet och snedvridningar i systemen?