Det senaste året har jag återkommande hamnat i samma situation: ett bolag betalar löpande för en tredjepartslösning, vi bygger en prototyp på några dagar med moderna AI-verktyg, och plötsligt är business caset solklart. Investeringen att bygga in-house tjänas in på månader, inte år.

Det är egentligen inte konstigt att det ser ut så

Att bygga egna lösningar har länge krävt stora team, lång ledtid och hög teknisk mognad inom bolaget. Det stämmer inte längre. Med AI går det att snabbt validera om ett problem är lösbart, bygga en fungerande prototyp och testa mot riktig data, allt innan man ens har fattat ett formellt beslut. Tröskeln har sjunkit dramatiskt.

Det som driver det är framförallt moderna språkmodeller. De kan idag hantera komplexa tolknings- och extraktionsuppgifter med hög träffsäkerhet, vilket gör att problem som tidigare krävde specialiserade tredjepartsleverantörer nu går att lösa internt, med full kontroll överlösningen.

I ett av mina senaste uppdrag fick jag se det här spela ut i praktiken

Bolaget hade länge förlitat sig på en extern leverantör för att tolka och extrahera information ur inkommande dokument. Det fungerade, men det kostade mycket och lösningen gick inte att forma efter bolagets egna behov. Under ett internt hackathon testade vi att bygga en LLM-baserad prototyp, och resultaten var tillräckligt starka för att motivera ett riktigt projekt. Bolaget uppskattar den potentiellt årliga besparingen till omkring tio miljoner kronor.

‍

Det är ett extremt tydligt case. Men kostnadsbesparingar är inte alltid det viktigaste argumentet.

En in-house-lösning ger en typ av kontroll som en tredjepartsleverantör sällan kan matcha

Du bestämmer exakt vad systemet ska göra, hur det ska bete sig i specialfall och hur det ska integreras med resten av din systemflora. Du äger din data och din logik. Du kan iterera snabbt utan att vänta på en extern leverantörs roadmap. Det låter abstrakt, men jag märker det konkret i varje uppdrag: när man äger lösningen går det att röra sig mycket snabbare.

‍

Det kräver förstås att man tar ett genomtänkt grepp om projektet. Några saker jag tagit med mig från mina uppdrag:

‍

• ‍Testa edge cases innan du går live.
  ‍Det är lätt att bli för optimistisk av en prototyp som körts på rena, välformatterade exempel. I dokumenttolkningsuppdraget la vi därför medvetet tid på att samla ihop riktiga specialfall innan lansering: ovanliga format, blandade språk, sämre bildkvalitet. Det arbetet gjorde att systemet var robust från start och att vi kunde gå live med hög tilltro till resultaten.
  ‍
• Kartlägg beroenden innan du börjar bygga.
  ‍En tredjepartslösning sitter sällan isolerad. Den har integrationer mot andra system, och de systemen har förväntningar på hur data ser ut. Att förstå det i förväg sparar mycket tid och undviker obehagliga överraskningar sent i projektet.‍
  ‍
• Planera för att lösningen ska kunna växa.
  ‍Det handlar inte om merarbete efter lansering, det handlar om att designa systemet så att det är lätt att bygga vidare på när behovet förändras. Det är en av de stora fördelarna med att äga lösningen själv: du är inte låst till enleverantörs färdiga funktioner.

Det finns ett brett spektrum av tredjepartslösningar där det här mönstret är relevant

Gemensamt för dem är att de hanterar tolknings-eller struktureringsuppgifter som AI idag löser med hög träffsäkerhet, och där en skräddarsydd lösning ofta presterar bättre än en generisk produkt. Några exempel på kategorier jag ser ofta:

‍

Dokumenttolkning och dataextraktion

Verktyg som läser fakturor, avtal eller formulär och plockar ut strukturerad data. AI kan idag hantera stor variation i format och layout, och automatisera hela flödet från inkommande dokument till strukturerad output utan manuell hantering.

‍

Ärendeklassificering och routing

Lösningar som sorterar inkommande ärenden, mejl eller supportärenden. Med en in-house-lösning kan klassificeringen anpassas efter bolagets egna data och kategorier, vilket ger betydligt högre precision än en generisk leverantör.‍

‍

Innehållsgranskning och kvalitetskontroll

Externa tjänster som kontrollerar text, produktbeskrivningar eller användarinnehåll mot definierade regler. AI kan automatisera granskningen och flagga avvikelser i realtid, anpassat exakt efter bolagets egna kvalitetskriterier.‍

‍

Rapportgenerering och sammanfattning

Verktyg som sammanställer data från flera källor till rapporter eller sammanfattningar. En in-house-lösning kan hämta data direkt från bolagets egna system och generera output i precis det format och den struktur som behövs.

‍

Matchning och kategorisering

Tjänster för produktmatchning, taggning eller katalogisering. Här är fördelen med en egen implementation tydlig; den kan tränas på bolagets specifika produktkatalog och terminologi, och ge träffsäkerhet som en extern leverantör sällan uppnår.

Det betyder inte att man ska ersätta allt. Det finns tredjepartslösningar som är mogna, väl underhållna och svåra att matcha utan stor investering. Poängen är att göra en faktisk analys, inte att per automatik förnya avtal som löper ut. Frågan att ställa sig är - har möjligheterna förändrats tillräckligt sedan ni valde den här lösningen för att det är värt att titta på igen? I de flesta fall jag stött på är svaret ja.

‍

Har du en tredjepartslösning som du undrar om det är dags att se över?

Jag hjälper gärna till att utvärdera potentialen och ta förstasteget. Det börjar oftast med ett samtal och en enkel prototyp, och därifrån är det lätt att avgöra om det är värt att gå vidare.

‍

Simon Karlsson är AI Engineer på Arange och arbetar med att bygga AI-drivna system som löser konkreta affärsproblem, från proof of concept till produktionssatta lösningar.

‍

{{cta}}

‍