Integration av LLM och generativ AI

En modell som aldrig har sett din data svarar självsäkert och har fel. Lösningen är att slå upp saker först: vi indexerar dina dokument, ärenden, poster eller din katalog, hittar de avsnitt som är relevanta för frågan och ger modellen bara dem, med länkar tillbaka till källan.

Det mesta av arbetet sitter i detaljerna. Att dela upp dokument så att en tabell inte klyvs mitt itu. Att kombinera nyckelordssökning med semantisk sökning, eftersom exakta artikelnummer och namn fortfarande spelar roll. Att sortera resultaten så att det bästa kommer först. Och att tillämpa dina behörigheter redan i sökningen, så att ingen ser ett avsnitt ur ett dokument som de inte själva hade kunnat öppna.

Där det går bygger vi på infrastruktur du redan betalar för – din befintliga Postgres-databas eller ditt sökkluster – i stället för att lägga ytterligare en leverantör i din stack.

En agent är en modell som kan anropa dina funktioner. Det är kraftfullt, och det är också det snabbaste sättet att bygga något oförutsägbart. Därför håller vi agenterna smala: en definierad uppsättning verktyg, uttryckliga behörigheter för vart och ett och ett mänskligt godkännande överallt där en åtgärd är dyr eller svår att ångra.

De användbara agenter vi levererar är odramatiska att beskriva och värdefulla att köra – att sortera en inkommande kö och skicka vidare med en motivering, att stämma av två system som inte stämmer överens, att ta fram ett offertutkast utifrån en specifikation eller att sköta en backofficeprocess som tidigare innebar att kopiera värden mellan fyra skärmar.

Två regler står för det mesta av säkerheten. Inloggningsuppgifter hamnar aldrig i en prompt: modellen anger arbetsflödet och dess parametrar, och servern lägger till adressen och åtkomsttoken. Och all kod som modellen skriver körs i en isolerad sandlåda med bara den åtkomst den behöver.

Varje verktygsanrop loggas med indata och resultat, så när något går fel kan du se exakt vad modellen gjorde.

Ett avtal på 300 sidor hör inte hemma i en prompt. Det är långsamt, dyrt och slutar fungera helt så snart flera dokument är inblandade. I stället lagrar vi dokumenten, bearbetar dem i bakgrunden med OCR och tabellextrahering och låter modellen läsa bara de delar den behöver.

Då slutar dokumentens storlek att styra kostnad och svarstid. En avtalsgranskning tittar på de klausuler som spelar roll, och svaret hänvisar till en verklig sida och ett verkligt stycke, så att någon kan kontrollera det.

Vi arbetar med de stora leverantörerna – Anthropic, OpenAI och modeller med öppna vikter som du kan driva själv när datalagringskrav eller kostnad motiverar det. Leverantörerna skiljer sig på riktigt, så vi låtsas inte att de är utbytbara. Det vi däremot lovar är att ett byte innebär att ändra konfigurationen och köra om testuppsättningen, inte att skriva om allt.

Kostnad är en designparameter från första veckan, inte något du upptäcker på den första fakturan.

För team inom EU designar vi utifrån var datan tar vägen: regionala endpoints, inställningar utan datalagring eller helt egenhostade modeller när ingenting får lämna din infrastruktur.

Det första uppdraget är oftast två till fyra veckor: förstudie, en ordentlig genomgång av de data du skulle söka i och en fungerande del av det mest värdefulla användningsfallet som körs mot dina riktiga system. Den delen är uppskattningen. Den visar vad hela bygget kostar betydligt bättre än ett dokument gör.

Därefter avgränsar vår VD och våra seniora utvecklare leveransen, och vi sätter ihop teamet från ett nätverk av fler än 100 utvecklare som vi har arbetat med i tio år eller mer. Demo varje vecka, kod i dina repon, överlämning till produktion och support efter lansering. På tjugo år har vi inte lämnat ett enda projekt i sticket.