Alla case studies
Illustrativ case study · Energi

En kollega i fickan, inte ett verktyg till.

Ett elbolag har ett par hundra fältservicetekniker. En mobil-agent som känns som en kollega, inte ett nytt system att lära sig, kan adresseras både tekniskt och tillitsmässigt.

Högre
Modellerade ärenden/dag
Modellerad tidsram

Modellerad införandetid: 14 till 18 veckor, inklusive on-prem-driftsättning

Tänkt stack & integrationer
On-prem LLMMobil app (iOS eller Android)ERP (SAP eller likn.)Fordon- och GPS-dataBildigenkänning
Problembild · 01

Vad som typiskt inte fungerar.

Utgångsläget för ett bolag i den här situationen.

I ett typiskt fältserviceteam har teknikerna manualer i pärmar, ringer baskontoret för hjälp, och ägnar en betydande del av dagen åt rapportering efter varje uppdrag. Nya tekniker tar lång tid att bli produktiva på egen hand. Datasekretessen gör ofta att molnmodeller är uteslutet.

Den största utmaningen är sällan teknisk. Det är tillit. Tekniker är ofta djupt skeptiska till AI-verktyg efter tidigare misslyckade satsningar. Om man inte får dem med på resan blir det bara ännu ett system som inte används.

Lösningsskiss · 02

Det vi skulle bygga.

Arkitektur, integrationer och hand-off mellan agent och människa.

En mobilapp med en on-prem LLM som pratar svenska. Teknikern pekar kameran på mätaren, agenten läser felkoden, föreslår åtgärd, och efter jobbet dikterar teknikern några meningar som agenten tolkar till en färdig rapport. All data stannar inom bolagets nätverk.

Agenten har tillgång till hela manualen, tidigare fall av liknande fel och säkerhetsföreskrifterna. Teknikern får inte instruktioner uppifrån, utan ett samtal med någon som har läst allt.

  • On-prem modell, data stannar inom bolagets nätverk
  • Bildigenkänning av mätare och felkoder
  • Röststyrd rapportering efter jobbet
  • Manual, tidigare fall och säkerhetsföreskrifter på tal
  • Offline-läge för områden utan täckning
Utbildningsmodell · 03

Hur teamet skulle ta över.

Hur teamet äger systemet efter go-live. Kalibrering, playbooks och rollskifte.

En typisk införandemodell börjar med en pilot tillsammans med ett mindre antal ambassadörer i ett par månader. De får makt att förkasta, ändra och prioritera funktioner. Efter pilot säljs verktyget in av dem till sina kollegor.

Utbildningen är aldrig en kurs. Det är en kollega i fickan från dag ett, som man lär känna. När väl utrullningen startar brett, kan adoptionen stiga snabbt.

Tänkta utfall · 04

Vad arkitekturen är designad att leverera.

Modellerade utfall. Siffrorna beskriver vad arkitekturen är designad att leverera.

Högre
Modellerade ärenden/dag
Lägre
Modellerad admin-tid
Bättre
Förväntad tekniker-NPS

Arkitekturen är designad för att lyfta ärenden per dag och kraftigt minska administrationstiden. Upplärningstiden för nya tekniker kan kortas markant när manualen, kollegornas erfarenheter och säkerhetsföreskrifterna är tillgängliga i fickan.

Illustrativt citat

I ett tänkt utfall beskrivs verktyget av tekniker som en kollega snarare än ett nytt system att lära sig.

Hypotetisk senior servicetekniker·Tänkt nordiskt elbolag
Nästa · 05

Vidare till nästa case study.

Eller skriv upp er på waitlist så hör vi av oss när vi öppnar för de första pilotuppdragen.

Nästa case study · SaaS

Content-motor som skalar ämnesexpertisen

Flera 100x
Modellerad volym
Läs case study
Intresserad av en pilot?

Skriv upp er på waitlist.

När vi öppnar för de första pilotuppdragen hör vi av oss till waitlisten först.

Nyhetsbrev

EU AI Act, sandbox-status och svensk AI-infrastruktur.

En sammanfattning ungefär en gång i månaden. Vad som förändrats i regelverket, vilka pilot-cases vi sett och vilka vendor-shifts som påverkar svenska bolag. Skickas av oss, inte av en automation som låtsas vara oss.

Uppgifterna används endast för nyhetsbrevet. Inga utskick utöver det utan separat samtycke. Avregistrera när som helst via länk i mailet.