AI Enablement Radar vecka 36: när AI får rätt att agera

Veckans viktigaste AI-förändring är praktisk: verktygen får fler sätt att agera i arbetet. Google Workspace Studio kan flytta filer och svara i Gmail eller Chat. GitHub Copilot kan, om en administratör slår på funktionen, godkänna en kodändring. När AI går från att skriva förslag till att utföra handlingar behöver teamet bestämma vilka steg som får ske direkt, vilka som kräver en människa och vilket kvitto som ska sparas.

Toppsignaler denna vecka

• Google Workspace Studio har fått nya steg för att kopiera eller flytta Drive-filer, svara i Gmail och skicka svar i Google Chat. Administratörer kan stänga av steg eller kräva godkännande när data delas externt. Källa: Google Workspace Updates om de nya automationsstegen.
• GitHub Copilot code review kan nu lämna ett godkännande som räknas mot kodförrådets krav på godkännanden. Funktionen är avstängd som standard, kan begränsas till vissa filsökvägar och godkännandet tas bort när ny kod pushas. Källa: GitHub Changelog om Copilot-godkännanden.
• DXC Technology har rullat ut Amazon Quick till fler än 115 000 medarbetare i 70 länder. DXC:s lärdom är att inloggningar mäter användning, medan AI-färdighet visar om arbetet faktiskt har förändrats. Källa: DXC:s samtal med AWS om den globala utrullningen.
• Google såg fyra återkommande mönster bland starka bidrag i sin AI Agents Challenge: dubbelriktad MCP, händelsestyrd parallell körning, samma validering för huvud- och reservmodell samt stegvis dirigering. Ett team lät en deterministisk första kontroll hantera mer än 40 procent av meddelandena före ett större modellanrop. Källa: Google Developers om fyra agentmönster.
• EU-kommissionen har klassat ChatGPT som en mycket stor onlinesökmotor enligt Digital Services Act efter att tjänsten uppgett minst 45 miljoner månatliga användare i EU. De utökade skyldigheterna ska vara uppfyllda senast i januari 2027. Källa: EU-kommissionens DSA-beslut.

För ett mindre företag, en skola eller ett team utan egen AI-avdelning blir frågan konkret: vilken rätt att agera ska AI få i just den här processen? Den leder snabbare till ett användbart arbetsflöde än ännu en diskussion om vilken modell ni ska köpa.

Vad företag faktiskt gör med AI

DXC mäter AI-färdighet i arbetet

DXC behandlar inte sin utrullning av Amazon Quick som ännu en SaaS-lansering. Plattformen finns hos fler än 115 000 medarbetare, men bolaget lyfter arbetsförändringen framför antalet aktiva användare. Ett exempel är en agent för resursförfrågningar, ett annat är fördelning av säljuppslag. Båda tar hand om manuella steg som redan fanns i verksamheten.

Det är värt att låna. Mät ett arbetsresultat som tiden till svar, antalet korrekt hanterade ärenden eller hur ofta en människa måste göra om AI:s arbete. En login-siffra säger nästan ingenting om värdet.

Källa: DXC, "Co-innovating enterprise AI".

University of Nevada grundar studentagenten i officiella källor

University of Nevada, Reno har lanserat Ask Wolfie för inskrivna studenter. Agenten svarar dygnet runt på frågor om bland annat boende, evenemang och studentservice. Den är tränad på universitetets egen information och länkar vidare till officiella webbkällor.

Här är uppgiften tydligt avgränsad: ge snabba svar på återkommande frågor och lämna mer tid åt personalen för individuella samtal. En skola som vill prova samma modell bör börja med en definierad informationsmängd, tydliga hänvisningar och en enkel väg vidare till rätt person.

Källa: University of Nevada, Reno om Ask Wolfie.

NFL kopplar incidenter till ett gemensamt arbetsflöde

Microsoft beskriver hur NFL byggt en Game Ops Dashboard med Copilot Studio och Power Platform. Lösningen standardiserar incidentrapportering under matchdagar och gör erfarenheterna möjliga att återanvända. Poängen är processformen: en agent samlar underlag, regler och behörigheter styr flödet, och människor hanterar undantag.

För ett mindre team kan motsvarigheten vara reklamationer, frånvaro, offerter eller felanmälningar. Börja där flera personer redan behöver samma uppgifter för att fatta ett återkommande beslut.

Källa: Microsoft 365 Blog om AI och affärsprocesser.

Verktygslagret: plattformar, agenter och arbetsflöden

Ett agentiskt arbetsflöde är ett flöde där en AI kan välja och utföra steg med hjälp av verktyg, i stället för att enbart skriva ett svar. Veckans produktnyheter visar att de stegen flyttar närmare vardagsarbetet.

Workspace Studio kan nu hantera konkreta åtgärder i Drive, Gmail och Chat. GitHub låter administratörer ge Copilot en avgränsad rätt att godkänna kod. Det är två varianter av samma konstruktion: handlingen finns i verktyget, medan behörighet och villkor ligger runt den.

MCP, Model Context Protocol, är en öppen standard för hur AI-system ansluter till verktyg och datakällor. Googles genomgång visar varför själva kopplingen inte räcker. Starka system filtrerade data innan den nådde modellen, körde oberoende uppgifter parallellt och använde samma kvalitetskontroll även när en reservmodell tog över. Det är vanlig systemdisciplin applicerad på agenter.

Källor: Google Workspace Updates om nya Studio-steg. GitHub om styrda Copilot-godkännanden. Google Developers om MCP, reservmodeller och dirigering.

Google har också lagt till granskningsloggar för Gemini Notebook i Workspace Admin. Loggarna kan bland annat visa användaridentitet, IP-adress, synlighet och resurskontext, och de kan exporteras till BigQuery. Det gör det möjligt att följa hur ett AI-verktyg används utan att bygga en separat kontrollvy från grunden.

Källa: Google Workspace Updates om granskningsloggar för Gemini Notebook.

Styrning och risk: vad som behöver sättas innan skala

AI-styrning betyder de beslut, roller och kontroller som avgör hur AI får användas och följas upp. Den behöver inte börja som ett tjockt policydokument. För ett fokuserat arbetsflöde räcker det långt att sätta åtkomst, godkännanden och loggning på rätt ställen.

Anthropic presenterade Enterprise Frontier Safeguards efter arbete med fler än 100 kunder. Upplägget låter kunden lagra övervakningsdata i sitt eget molnkonto, under egna krypteringsnycklar och åtkomstregler. Automatiska varningar går till kundens egna granskare. Det gör det lättare att använda modellen i riktigt arbete utan att flytta dataägarskap och granskning från den ansvariga organisationen.

Källa: Anthropic om Enterprise Frontier Safeguards.

Microsofts säkerhetsråd för edge AI formulerar en enkel princip: modellens output får föreslå en handling, men en deterministisk komponent utanför modellen ska godkänna vad som faktiskt körs. Den komponenten kan tillåta vissa åtgärder, begränsa parametrar, hålla nere anropsfrekvensen och lämna ut autentiseringsuppgifter först när villkoren är uppfyllda. Oåterkalleliga eller känsliga handlingar får ett separat mänskligt godkännande.

I praktiken betyder det miljövariabler eller en hemlighetshanterare för nycklar, avgränsade behörigheter, maskning av känsliga fält, godkännandepunkter och en körlogg. Låt inte lösenord ligga i prompten och ge inte agenten större åtkomst än uppgiften kräver.

Källa: Microsoft Security om att säkra edge AI i kundägda miljöer.

EU-kommissionens DSA-beslut gäller plattformsnivå, men tidsfristen är också en påminnelse för köpare: leverantörens riskarbete, transparens och incidenthantering blir en del av er egen leverantörsbedömning. Be om tydliga svar på hur data lagras, hur verktygsanrop loggas och vem som kan stoppa ett automatiserat flöde.

Källa: EU-kommissionens beslut om ChatGPT, Reddit och Roblox.

Veckans praktiska Hammer-test

Gör en 40-minuters karta över handlingsgränsen i ett befintligt flöde. Välj något som redan återkommer, till exempel att sortera inkommande kundfrågor, flytta godkända dokument eller förbereda uppföljning efter ett möte.

0–10 minuter: Skriv upp de handlingar som faktiskt sker. Dela dem i fyra nivåer:

• läsa och samla underlag
• skriva ett förslag
• utföra en reversibel handling
• utföra en handling med extern eller ekonomisk konsekvens

10–20 minuter: Ge AI direkt rätt till högst en reversibel handling. Markera vilka steg som alltid kräver en människa, till exempel att skicka externt, radera, publicera, betala eller godkänna ett bindande beslut.

20–30 minuter: Sätt den tekniska ramen. Använd en avgränsad integration, lagra nycklar i miljövariabler eller en hemlighetshanterare och maska fält som inte behövs. Bestäm också vilket källunderlag agenten måste visa före handlingen.

30–40 minuter: Kör ett verkligt exempel och spara ett kort körkvitto: tid, källa, föreslagen handling, utförd handling, granskare och resultat. Om kvittot inte räcker för att förstå vad som hände är flödet inte redo att återanvändas.

Klistra in detta i det AI-verktyg ni redan använder:

Hjälp oss att rita handlingsgränsen för arbetsflödet nedan. Börja med att fråga efter de system, datakällor och regler som saknas. Dela sedan stegen i: läsa, föreslå, reversibel handling och handling som kräver mänskligt godkännande. Föreslå minsta nödvändiga behörighet, vilka fält som ska maskas och vad ett körkvitto måste innehålla. Ändra eller kör ingenting utan vårt uttryckliga godkännande.

Företag och verktyg att hålla koll på

• Google Workspace Studio, eftersom enkla dokument- och meddelandeåtgärder nu kan byggas in i Workspace med centrala administratörskontroller.
• GitHub Copilot code review, eftersom AI-godkännanden gör behörighetsdesignen lika viktig som själva kodgranskningen.
• DXC och Amazon Quick, eftersom deras utrullning skiljer AI-färdighet från ren användningsstatistik.
• University of Nevada och CollegeVine, eftersom Ask Wolfie visar en konkret modell för källgrundad studentservice.
• Anthropic Enterprise Frontier Safeguards, eftersom kundägda loggar och nycklar kan göra fler reglerade arbetsflöden möjliga.

Om testet visar att flödet är värt att bygga vidare på kan Hammer Automations Verktygssmide hjälpa er att koppla ihop data, behörigheter, godkännanden och loggar till ett arbetsflöde som fungerar i det dagliga arbetet.