AI Enablement Radar vecka 30: bygg AI-flödet runt en tydlig överlämning

AI-verktygen har flyttat närmare jobbet den här veckan. De sitter i ärendesystem, mötesmappar, kodflöden och analysvyer. Det gör dem mer användbara, men också mindre förlåtande mot otydliga överlämningar. När AI lämnar ett utkast, en klassificering eller en ändring vidare måste nästa person förstå vad som gjordes, vilket underlag som användes och vad som väntar på beslut.

Toppsignaler denna vecka

• Hippo uppger att fler än 90 procent av medarbetarna använde Claude eller bolagets andra AI-verktyg under den första månaden. 60 procent använde dem dagligen och lika många uppgav att de sparade minst två timmar per vecka. Bolaget kopplar användningen till träning och riktiga arbetsuppgifter, medan underwriters och skadereglerare behåller besluten. Källa: Hippo Holdings via PR Newswire.
• Brown Health har fler än 400 aktiva användare av Dragon Copilot och har byggt över 24 agenter i Copilot Studio för bland annat akutvägledning, översättning, schemaläggning och policyfrågor. De började inte med en verktygsfest. Ett litet AI Center of Excellence lade sina första sex månader på styrning och en riskbaserad granskningsmodell. Källa: Microsoft Customer Stories om Brown Health.
• GitHub Copilots molnagent kan nu ta emot ett Linear-ärende, arbeta i en tillfällig GitHub Actions-miljö, öppna ett utkast till pull request och be en människa om granskning. Det intressanta är överlämningen: statusen syns där uppgiften redan bor och slutprodukten kommer tillbaka som ett granskningsbart förslag. Källa: GitHub Changelog om Copilot och Linear.
• GitHub Issues testar automationer som bifogar konfidensnivå och motivering till ändringar. Administratören kan låta säkra rutinändringar gå igenom och hålla osäkrare förslag för granskning. GitHub påpekar samtidigt att godkännandet är en arbetsflödesfunktion, inte en serverbaserad säkerhetsgräns. Källa: GitHub Changelog om agentkontroller i Issues.
• EU-kommissionens nya riktlinjer för artikel 50 i AI-förordningen sätter ett nära datum på transparensarbetet: skyldigheterna börjar gälla den 2 augusti 2026. Det berör bland annat direkt AI-interaktion samt visst AI-genererat eller manipulerat innehåll. Källa: EU-kommissionens riktlinjer om transparens.

Koppla AI till en tydlig uppgift och kräv en leverans som en kollega kan kontrollera. En agentisk arbetsprocess betyder här ett flöde där AI själv väljer flera steg eller verktyg för att nå ett mål, i stället för att bara svara på en fråga.

Vad företag faktiskt gör med AI

Brown Health byggde införandet runt belastningen i vården

Brown Health valde dokumentation som första tydliga problem. Dragon Copilot fångar samtalet och hjälper till med journalutkast medan klinikern kan hålla fokus på patienten. Därefter byggde organisationen agenter för policyfrågor, akutvård, patientvägar och drift. Det är ett bättre införandemönster än att ge alla ett tomt chattfönster och hoppas på kreativitet.

För ett nordiskt företag eller en skola är översättningen enkel: välj en arbetsbörda som redan går att beskriva. Det kan vara mötesuppföljning, offertunderlag, lektionsanpassning eller första sortering av supportärenden. Koppla sedan verktyget till den plats där arbetet redan hanteras och bestäm vem som tar emot resultatet.

Källa: Brown Health scales Microsoft Dragon Copilot and AI agents to ease care delivery.

Hippo kombinerade bred tillgång med tydligt mänskligt ansvar

Hippos tidiga siffror kommer från en intern enkät och ska läsas som bolagets egen mätning, inte som ett oberoende produktivitetstest. Ändå är användningsmönstret värt att studera. Claude och andra verktyg används i underwriting, skadereglering, revision, marknad, försäljning och produktarbete. AI hjälper till med research, analys och mer frekventa kontroller, men yrkespersonerna godkänner beslut och ändringar.

Det är också där många licensutrullningar går fel. Tillgång räcker inte. Medarbetaren behöver en uppgift, relevanta källor och ett tydligt svar på frågan: "Vad ska jag göra med AI-resultatet när det kommer tillbaka?"

Källa: Hippo Rolls Out Claude and Other AI Tools Company-Wide.

AXA lägger AI i verktyg som redan används

AXA rullar stegvis ut Microsoft 365 Copilot i Teams, Outlook och Word, tre år efter lanseringen av den interna tjänsten Secure GPT. Bolaget kombinerar utrullningen med praktisk och etisk kompetensutveckling samt mänsklig kontroll av viktiga beslut.

Det ser vardagligt ut. När AI ligger i ett etablerat arbetsflöde kan teamet lägga tiden på arbetssätt och kvalitet i stället för att få människor att komma ihåg ännu en separat app.

Källa: AXA accelerates its AI workplace strategy.

Verktygslagret: plattformar, agenter och arbetsflöden

GitHub gör agentens arbete synligt där uppgiften startar

Linear-integrationen visar en användbar princip även för team som inte skriver kod: uppgiften, statusen, resultatet och granskningsbegäran bör hänga ihop. Agenten arbetar i en avgränsad miljö och lämnar tillbaka en draft pull request, inte en osynlig ändring i produktion.

GitHubs nya Issues-kontroller lägger dessutom till motivering och konfidens. En konfidensnivå är agentens egen bedömning av hur säker den är på en åtgärd. Den är inte ett bevis på kvalitet, men kan hjälpa ett team att sortera vilka förslag som behöver mest uppmärksamhet.

Källor: Copilot cloud agent for Linear. Agent automation controls in GitHub Issues.

MCP blir lättare att skala och testa

Model Context Protocol, MCP, är ett öppet protokoll som låter AI-system ansluta till verktyg och datakällor på ett gemensamt sätt. GitHub har anpassat sin MCP-server till nästa specifikation, där kärnan blir tillståndslös och de tidigare sessionerna samt initialize tas bort. Officiella konformitetstester gör det också lättare att kontrollera om en klient eller server följer specifikationen.

För mindre team betyder det inte att allt måste byggas om nu. Det betyder att integrationer börjar få mer mogna test- och skalningsmönster. Be därför en leverantör visa hur anslutningen testas, hur behörigheter avgränsas och vad som loggas när agenten använder ett verktyg.

Källa: GitHub MCP Server supports the next MCP specification.

Zapier blandar regler och AI i samma flöde

AI by Zapier låter ett team lägga in AI-steg i vanliga Zap-flöden. Regelstyrda delar kan fortsätta vara deterministiska, medan AI används för sådant som kräver tolkning, till exempel klassificering av ett supportärende eller sammanfattning av en kundförfrågan. Agentiska steg kan få tillgång till utvalda appåtgärder, webbsökning och källor i Google Drive, Notion eller Zapier Tables. Resultatet kan sedan mappas till nästa steg.

Använd fasta regler där svaret ska bli likadant varje gång och AI där språk eller sammanhang måste bedömas. Ge agenten avgränsade rättigheter och lägg in ett godkännande före utskick, ändring av kunddata eller andra svåråterkalleliga handlingar.

Källa: AI by Zapier: Add agentic AI steps to your workflows.

Notion, Google Meet och Shopify lägger till operativt sammanhang

Notion visar nu Workers-användning i sin kreditpanel. Workers kör egen kod i Notions infrastruktur för datasynkronisering, verktyg till Custom Agents och webhookautomationer. Synlig förbrukning gör det möjligt att koppla ett arbetsflöde till faktisk kostnad innan betan tar slut.

Google Meet börjar samla mötesanteckningar, transkript och inspelningar i en särskild Meet-mapp i mötesvärdens Drive. Återkommande möten delar undermapp. Det låter trivialt tills ett gammalt skript letar efter mappen "Meet Recordings"; Google rekommenderar därför administratörer att kontrollera automationer som beror på mappnamn eller ID:n.

Shopify låter kompatibla appar lägga händelsenoteringar direkt i analysdiagram. Kampanjer, lanseringar och leverantörsbyten kan då visas bredvid försäljning, konvertering och leveransdata. Noteringarna bevisar inte orsak, men de gör veckans händelser synliga när någon ska tolka utfallet.

Källor: Notion Workers i kreditpanelen. Google Meet organiserar mötesmaterial i Drive. Shopify annotations.

Styrning och risk: vad som behöver sättas innan skala

AI-styrning är de beslut, roller och kontroller som avgör hur AI får användas i en organisation. Den här veckan gav två källor ovan en bra miniminivå: GitHub skiljer mellan arbetsflödesgodkännande och en riktig säkerhetsgräns, medan EU-kommissionen förklarar vilka transparenskrav som börjar gälla den 2 augusti.

Gör därför märkning och överlämning till en del av själva flödet. Ett AI-utkast bör bära med sig källor, status och nästa mänskliga beslut. En integration bör använda avgränsade API-nycklar från miljövariabler eller en secret manager, och logga vilka verktyg som användes. Det är fullt möjligt att ge agenten tillräcklig åtkomst för att göra nytta utan att ge den fria händer.

Google Clouds CodeMender visar samma konstruktion i ett säkerhetsflöde. Agenten kan skanna kod, verifiera misstänkta sårbarheter genom att köra genererade tester i en kundhanterad sandlåda och ta fram testade patchar. Utvecklaren granskar och godkänner innan något skrivs till lagret. En sandlåda är en isolerad miljö där kod eller verktyg kan köras med begränsad påverkan på andra system.

Källor: EU-kommissionens riktlinjer om artikel 50. CodeMender i Google Cloud.

Veckans praktiska Hammer-test

Testa en överlämning på 40 minuter. Välj ett återkommande flöde där AI redan producerar ett utkast eller där någon manuellt flyttar information mellan två verktyg. Ett möte som ska bli uppgifter fungerar bra, liksom ett supportmeddelande som ska klassificeras och få ett svarsförslag.

1. Lägg fem minuter på att skriva startpunkten och den person som tar emot resultatet.
2. Lägg tio minuter på att definiera vilket underlag AI får läsa och vilka verktyg den får använda.
3. Lägg tio minuter på att bestämma leveransen: utkast, status, använda källor, osäkerheter och nästa beslut.
4. Kör ett riktigt exempel i tio minuter. Låt en kollega granska utan att förklara flödet muntligt.
5. Använd de sista fem minuterna till att skriva om överlämningen där kollegan behövde gissa.

Klistra in detta som arbetsinstruktion:

Kartlägg den här uppgiften som ett AI-stött arbetsflöde. Beskriv startpunkt, tillåtna källor, tillåtna åtgärder, leveransformat och vem som godkänner nästa steg. Skapa sedan en överlämningsmall med: utfört arbete, använda källor, ändringar eller förslag, osäkerheter, väntande beslut och logginformation. Markera vilka steg som kan köras automatiskt och vilka som kräver mänskligt godkännande. Ändra inga system i detta test.

Testet lyckas när mottagaren kan fatta nästa beslut utan att leta efter sammanhang eller fråga vad agenten gjorde.

Företag och verktyg att hålla koll på

• Brown Health: visar hur ett avgränsat CoE kan börja med styrning och sedan bygga agenter runt verkliga belastningar.
• Hippo: värt att följa när de tidiga självrapporterade tidsvinsterna möter längre användning och mätbar verksamhetskvalitet.
• GitHub: binder ihop uppgift, agentstatus, förslag och mänsklig granskning i samma arbetsyta.
• Zapier: gör det lättare för icke-tekniska team att lägga AI där regler inte räcker, utan att bygga om hela automationen.
• EU-kommissionen: artikel 50 gör transparens till en aktuell implementeringsfråga, inte ett framtida policydokument.

Om ni vill bygga den här typen av överlämning i ett riktigt kund-, dokument- eller driftflöde är Hammers Verktygssmide rätt nästa steg. Vi hjälper er att koppla AI till befintliga system med tydlig åtkomst, granskningspunkter och körloggar som teamet faktiskt kan använda.