Kräv källkvitto när AI läser bolagsdata

När AI börjar hjälpa till med bolagsresearch blir frestelsen tydlig: klistra in bolagsnamnet, be om en sammanfattning, kopiera in svaret i en rapport. Det sparar tid. Det kan också flytta ett felaktigt tal, en gammal titel eller en lös tolkning rakt in i ett beslutsunderlag.

Därför behöver arbetsflödet ett källkvitto. Med det menar jag en enkel regel: varje påstående som påverkar ett beslut ska kunna pekas tillbaka till en källa, ett datum och en människa som har godkänt att uppgiften används.

Varför detta blev aktuellt nu

Anthropic skrev i sina Claude Platform release notes den 18 maj 2026 att Claude API:s webbsökning nu returnerar rikare data från SEC-dokument. Det är amerikanska bolagsinlämningar, till exempel årsrapporter, kvartalsrapporter och andra dokument som publika bolag lämnar till den amerikanska finansmyndigheten SEC. För finansresearch, företagsgranskning och resultatgenomgångar är det en tydlig signal: AI-verktygen börjar komma närmare primärkällorna.

Källa: Claude Platform release notes

Claude-dokumentationen beskriver också webbsökningsverktyget som ett API-verktyg där Claude kan söka aktuellt webbinnehåll och lämna svar med källhänvisningar. Den senaste versionen, web_search_20260209, kan använda dynamisk filtrering när kodkörning är aktiverad. Det betyder att irrelevanta sökresultat kan sorteras bort innan de tar plats i modellens kontext.

Källa: Claude web search tool documentation

Det här är bra. Men det gör inte svaret färdigt för styrelserummet. En källhänvisning är inte samma sak som en kontrollerad slutsats.

Skillnaden mellan researchhjälp och rådgivning

För Hammer-läsare som bygger praktiska AI-flöden är gränsen viktig. AI kan hjälpa till att hitta ett dokument, plocka ut en siffra, jämföra två perioder och skapa ett första utkast till en rapport. Den ska inte få låtsas vara revisor, jurist eller finansiell rådgivare.

En sund rollfördelning kan se ut så här:

• AI:n får samla: hitta rapporter, extrahera citat, föreslå sammanfattningar och lista osäkerheter.
• Systemet måste spåra: källa, länk, publiceringsdatum, dokumenttyp, period och vilken prompt som användes.
• Människan godkänner: siffror, slutsatser, rekommendationer och formuleringar som påverkar ett beslut.

Det låter byråkratiskt tills något blir fel. Då är källkvittot skillnaden mellan "AI sa det" och "vi vet exakt var uppgiften kom ifrån".

Fler verktyg rör sig åt samma håll

Perplexity har dokumenterat people_search i sin Agent API. Verktyget är gjort för professionell person- och organisationsresearch: roller, bolag, bakgrund och ledningsgrupper. Dokumentationen är tydlig med att det passar människor och organisationer, inte allmän webbsökning.

Källa: Perplexity Agent API People Search

OpenAI och Dell skrev samtidigt om att Codex ska kunna användas närmare företagsdata i hybridmiljöer och lokalt driftade miljöer. OpenAI nämner uttryckligen användning bortom kod: rapporter, produktfeedback, kvalificering av affärsmöjligheter, uppföljningar och koordinering mellan affärssystem.

Källa: OpenAI and Dell Technologies partnership

Lägg ihop signalerna och bilden blir ganska praktisk: AI flyttar från chattfönstret in i research, rapportering och interna system. Då räcker det inte att fråga "blev svaret bra?". Frågan är också: kan vi visa hur svaret kom till?

Bygg källkvittot innan flödet blir automatiskt

Om du vill låta AI hjälpa till med bolagsdata, börja litet. Välj ett återkommande underlag där research tar tid men där besluten fortfarande granskas av en människa. En leverantörsöversikt, en konkurrentbevakning eller ett styrelse-PM är ofta bättre än ett högriskflöde direkt.

Skriv sedan ner kvittot som arbetsflödet måste producera:

• Källtyp: årsredovisning, kvartalsrapport, pressmeddelande, myndighetsinlämning, webbsida eller intern fil.
• Källfält: URL, dokumentnamn, publiceringsdatum, period, hämtningstid och eventuell sidhänvisning.
• Påståendefält: exakt siffra eller formulering, AI-tolkningen och vad som fortfarande är osäkert.
• Granskningsfält: ansvarig person, godkänd eller stoppad, datum och kommentar.
• Kostnadsfält: sökverktyg, antal sökningar eller körningar och vem som äger kostnaden.
• Stoppregel: vad AI:n ska göra när källan saknas, datumen krockar eller siffrorna inte matchar.

Det viktiga är inte att bygga ett stort styrningsprogram. Det viktiga är att ingen behöver gissa var en siffra kommer ifrån tre veckor senare.

Ett enkelt arbetsflöde att börja med

En första version kan vara så här:

1. Använd AI för att hitta och sammanfatta ett specifikt bolagsdokument.
2. Kräv att svaret innehåller länk till källan, dokumenttyp, datum och period.
3. Låt AI:n markera varje siffra som "hämtad", "beräknad" eller "tolkad".
4. Lägg allt i ett enkelt granskningsblad.
5. Låt ansvarig person godkänna innan texten används i kundmaterial, styrelseunderlag eller beslut.

Först när detta fungerar manuellt är det värt att automatisera mer. Annars automatiserar du bara osäkerheten.

När Hammer kan hjälpa

Det här är ett typiskt Verktygssmide-problem: inte "vilken AI-modell är smartast?", utan "hur gör vi ett arbetsflöde som går att lita på?".

Hammer kan hjälpa till att rita ett källstyrt researchflöde för en konkret rapporttyp: vilka källor som är tillåtna, vilka fält som måste sparas, var människan ska granska och när AI:n ska stanna. Inga låtsade garantier. Bara ett mer kontrollerat sätt att använda AI där siffror och källor spelar roll.