AI-utveckling: så går en AI-lösning från idé till produktion

AI-utveckling: så går en AI-lösning från idé till produktion

De åtta stegen mellan en lovande demo och ett system som människor förlitar sig på, och var de flesta AI-projekt fastnar på vägen.

AI-utveckling är arbetet med att göra ett affärsproblem till en AI-lösning som fungerar pålitligt i den dagliga verksamheten. Det sker i åtta steg: formulera problemet, kontrollera datan, välj det enklaste angreppssättet, bygg en utvärderingsmängd, ta fram en prototyp, gör den redo för produktion, klassa risken och sätt upp styrning, och driftsätt sedan stegvis med uppföljning. De flesta projekt fastnar mellan prototyp och produktion.

En fungerande AI-demo kan byggas på några dagar. Ett system som ett team litar på med riktiga kunder, riktiga pengar eller riktiga beslut tar betydligt mer, och merarbetet handlar för det mesta inte om modellen. Guiden kommer från Devies, ett produkt- och utvecklingskonsultbolag i Göteborg, och riktar sig till CTO:er, produktägare och affärsansvariga som planerar AI-utveckling och vill veta vad vägen till produktion faktiskt innebär och vilka beslut som bör fattas tidigt.

Vad är AI-utveckling?

AI-utveckling är processen att designa, bygga, testa och driva mjukvara där en inlärd modell tar fram prognoser, innehåll, rekommendationer eller beslut, ofta tillsammans med fasta regler. Modellen är oftast en liten del av arbetet. Data, integration, utvärdering, säkerhet och drift står för resten.

I dag hör de flesta AI-lösningar i företag till någon av tre familjer. Den första är klassiska maskininlärningsmodeller som tränas på era egna data, till exempel efterfrågeprognoser eller sannolikhet för kundbortfall. Den andra är applikationer byggda på stora språkmodeller via ett API, som assistenter, extrahering ur dokument eller svar som bygger på företagets egna dokument. Den tredje är agenter som utför handlingar i andra system åt en användare. Livscykeln är ungefär densamma för alla tre, men riskerna och testerna skiljer sig.

AI-utveckling är inte samma sak som att köpa en AI-funktion. Finns förmågan redan i en produkt ni använder är det oftast billigare att konfigurera och styra den än att bygga en egen. Bygg när problemet är specifikt för er verksamhet och värdet motiverar att ni äger lösningen.

Vilket angreppssätt passar ert problem?

Rätt angreppssätt är det enklaste som når kvalitetskravet, så jämför alternativen innan ni väljer modell. Ibland löser en regel eller en rapport problemet helt utan AI.

Angreppssätt

Passar när

Vad ni bygger

Största risk

Regler och automatisering

Passar när

Logiken är känd och stabil

Vad ni bygger

Arbetsflöde eller kod

Största risk

Skört när fallen varierar

Klassisk maskininlärning

Passar när

Ni har märkt historik och ett tydligt mål, som en prognos eller en poäng

Vad ni bygger

Träningsflöde, modell, uppföljning

Största risk

Datadrift över tid

Språkmodell via API

Passar när

Indata är text eller dokument och resultatet går att kontrollera

Vad ni bygger

Promptar, integration, utvärderingsmängd

Största risk

Felaktiga svar som låter säkra

Sökning i företagets data (RAG)

Passar när

Svaren måste komma från era egna dokument

Vad ni bygger

Sökindex, behörighetsstyrning, utvärdering

Största risk

Inaktuella eller obehöriga källor

Agent som utför handlingar

Passar när

En uppgift sträcker sig över flera system och steg

Vad ni bygger

Verktyg, behörigheter, punkter för mänskligt godkännande

Största risk

Handlingar med verkliga konsekvenser

Köpa en produkt med inbyggd AI

Passar när

Behovet är vanligt hos många företag

Vad ni bygger

Konfiguration och styrning

Största risk

Inlåsning och begränsad kontroll

Välj innan ni bygger, och skriv ner varför. Den motiveringen är användbar senare när risken ska klassas.

Hur går en AI-lösning från idé till produktion?

En AI-lösning går från idé till produktion i åtta steg, och varje steg ger något som nästa steg behöver. Ordningen är viktigare än tempot: team som hoppar över steg 4 upptäcker oftast i steg 6 att de inte kan avgöra om systemet fungerar.

Eight stations on a track from idea to production, with the evaluation step in blue and a loop from monitoring back to it
  1. Formulera problemet och värdet. Namnge processen, användaren, beslutet som AI:n ska stödja och hur framgång mäts i affärstermer. Vår guide om hur ni prioriterar AI-användningsfall hjälper er att välja vilken idé som ska drivas vidare.
  2. Kontrollera datan och rätten att använda den. Bekräfta att datan finns, håller tillräcklig kvalitet, får användas för ändamålet och kan nås av systemet i produktion. En engångsexport till en demo räcker inte.
  3. Välj det enklaste angreppssättet som kan fungera. Använd tabellen ovan. Utgå från en befintlig modell eller tjänst där det går, och träna en egen bara när det behövs.
  4. Bygg en utvärderingsmängd före lösningen. Samla realistiska exempel med förväntat svar eller en tydlig bedömningsregel, även svåra fall och fall där någon försöker lura systemet. Det här är er definition av "tillräckligt bra", överenskommen med dem som ska använda systemet.
  5. Ta fram en prototyp mot utvärderingsmängden. Bygg snabbt och mät. Vår jämförelse av prototyp, MVP och pilot förklarar vad varje första version ska bevisa.
  6. Gör lösningen redo för produktion. Lägg till behörighetsstyrning, loggning, felhantering, kostnadstak, reservlösningar och ett sätt för människor att granska eller rätta resultaten. Integrera med de system där arbetet faktiskt utförs.
  7. Klassa risken och sätt upp styrning. Avgör om ni är leverantör eller tillhandahållare enligt EU:s AI-förordning, vilken risknivå som gäller, vem som äger systemet och hur den mänskliga tillsynen ser ut.
  8. Driftsätt stegvis, följ upp och förbättra. Börja med en begränsad grupp, följ kvalitet, kostnad och användning, och för in verkliga fel i utvärderingsmängden.

Vad ändras när en AI-lösning går i produktion?

I produktion måste en AI-lösning vara säker, mätbar och ha en tydlig ansvarig. Det är där det mesta av den återstående insatsen hamnar, och där många piloter stannar.

Säkerhet. AI-system som läser användarinmatning eller dokument kan manipuleras. OWASP Top 10 for LLM Applications (utgåvan 2025) placerar promptinjektion först, följt av röjande av känslig information, och tar upp överdriven handlingsfrihet, alltså risken att ge en modell fler behörigheter än uppgiften kräver. Ge systemet bara den åtkomst som dess användare redan har, och kräv mänskligt godkännande för handlingar som är svåra att ångra.

Kvalitet över tid. Modeller och data förändras. En prognos som tränats på fjolårets mönster driver iväg, och en leverantör av språkmodeller uppdaterar sin modell. Kör utvärderingsmängden vid varje ändring och enligt ett fast schema. För maskininlärningsmodeller beskriver vår artikel om MLOps versionshantering, omträning och uppföljning.

Ansvar och reglering. Enligt EU:s AI-förordning, förordning (EU) 2024/1689, är en leverantör en organisation som utvecklar ett AI-system, eller låter utveckla ett, och släpper ut det på marknaden eller tar det i bruk i eget namn, medan en tillhandahållare använder ett AI-system under eget ansvar. Att bygga en AI-lösning för den egna verksamheten kan alltså göra er till leverantör, och hamnar användningen inom ett högriskområde är skyldigheterna omfattande. NIST AI Risk Management Framework, ett frivilligt ramverk som släpptes i januari 2023, delar in arbetet i fyra funktioner: styra, kartlägga, mäta och hantera. ISO/IEC 42001 anger krav på ett ledningssystem för AI för organisationer som vill ha en struktur som går att certifiera.

Devies använde en AI-först-process i utvecklingen med SEVR Insights. Enligt caset kopplar plattformen upp sig mot ett företags bokföringsdata och tar fram budgetar, prognoser, likviditetsanalyser och ledningsrapporter, och den byggdes på fyra månader med flera agenter som arbetade parallellt med design, utveckling och test. Caset konstaterar också att det svåra inte var att få AI att ta fram en budget, utan att få den att ta fram en budget som en konsult kunde sätta sitt namn på. Det är precis det som steg 4 och 6 handlar om.

Hur lång tid tar AI-utveckling, och vad styr insatsen?

Insatsen i AI-utveckling styrs mycket mer av åtkomst till data, integration och kvalitetskravet än av själva modellen, så två projekt med samma modell kan skilja sig med flera månader.

De viktigaste faktorerna är:

  • Hur redo datan är. Ren, åtkomlig data med tydliga rättigheter förkortar allt. Utspridd eller odokumenterad data förlänger allt.
  • Vad ett fel kostar. Ett internt skrivstöd tål fel som en människa fångar upp. Ett system som påverkar kunder, pengar eller säkerhet kräver strängare utvärdering, mer granskning och mer styrning.
  • Hur djup integrationen är. Att läsa från ett system är enkelt. Att skriva tillbaka till flera, med behörigheter och spårbarhet, är det inte.
  • Riskklass. Högriskanvändning enligt AI-förordningen kräver dokumentation, loggning och tillsyn som tar tid att sätta upp.

Planera i etapper med en beslutspunkt efter prototypen: fortsätt, byt angreppssätt eller avsluta. Att lägga ner en svag idé efter några veckor är ett bra resultat.

Devies

Vill ni ha en second opinion?

Devies, en produkt- och utvecklingskonsult i Göteborg, arbetar med frågor som den här tillsammans med nordiska produkt- och IT-team. Berätta var ni står så föreslår vi ett rimligt första steg.

Prata med Devies

Vanliga frågor

Vad är livscykeln för AI-utveckling?

Livscykeln är de steg en AI-lösning går igenom: problemformulering, förberedelse av data, val av angreppssätt, utformning av utvärderingen, prototyp, produktionsutveckling, styrning och driftsättning, följt av löpande uppföljning och förbättring. Till skillnad från traditionell mjukvara tar livscykeln aldrig riktigt slut, eftersom modellens kvalitet beror på data och förhållanden som förändras. Utvärdering och uppföljning pågår därför så länge systemet används.

Ska vi bygga en egen AI-modell?

Oftast inte i början. De flesta affärsbehov kan mötas med befintliga modeller via ett API eller med AI-funktioner i produkter ni redan använder, kombinerat med era egna data och integrationer. Att träna en egen modell är rimligt när ni har en specifik prognosuppgift, tillräckligt med märkt historik och en tydlig fördel av att äga modellen. Börja med det enklaste angreppssättet som klarar er utvärderingsmängd.

Varför når så många AI-piloter aldrig produktion?

Piloter fastnar ofta för att de byggdes för att imponera, inte för att mätas. Vanliga luckor är att det saknas en överenskommen utvärderingsmängd, att datan exporterades för hand till demon, att det inte finns någon plan för säkerhet och behörighetsstyrning, att ägarskapet är oklart och att det saknas budget för driftkostnader. Definiera framgång, dataåtkomst och en ägare i produktion innan piloten startar, så undviker ni de flesta av problemen.

Gäller EU:s AI-förordning AI som vi bygger för internt bruk?

Det kan den göra. AI-förordningen gäller AI-system som tas i bruk i EU, även sådana som en organisation utvecklar för eget bruk, och den som utvecklar systemet kan då räknas som leverantör. De flesta interna verktyg hamnar i kategorier med minimal risk och lätta skyldigheter, men användning inom till exempel rekrytering, arbetsledning eller kreditbedömning kan vara högrisk. Klassa varje användning tidigt och stäm av med en jurist.

Källor

Here’s more

Join Our Newsletter

We handle your data according to our privacy policy.

Shopping Cart

We use cookies

We use cookies to improve your experience on this website. You may choose which types of cookies to allow and change your preferences at any time. Disabling cookies may impact your experience on this website. You can learn more by viewing our Cookie Policy.

Check out

Contact Form text

We will contact you text

We handle your data according to our privacy policy.