Møt Solcellespesialistens fem KI-agenter: – Disse sparer oss for mye tid
Landets største solcellemontør har egne KI-agenter for offentlige anbud, reklamasjon, veiledning, utvikling og vurdering av underleverandører. Resultater er penger tjent og timer spart.
Solcellespesialisten AS er landets største solcellemontør. Selskapet har jobbet lenge med kunstig intelligens, blant annet med å predikere hvor mye strøm anleggene vil produsere basert på værdata.
De siste årene har Solcellespesialisten gjort en imponerende jobb med generativ kunstig intelligens for å jobbe smartere med ressursene de har til rådighet.
– Vi kartla over 600 prosesser og rutiner i vårt interne system som ikke ble brukt, rett og slett fordi de ansatte ikke fant dem, sier Carl Christian Strømberg, grunnlegger av Solcellespesialisten.
Ved hjelp av en KI-agent kan nå de ansatte spørre om alt fra hvordan de skriver reiseregninger til hvordan man sikrer et tak – og bli geleidet til hvor i systemet de finner riktig svar.
– I sin enkleste form er en KI-agent noe alle kan lage ved hjelp av ChatGPT eller Gemini, for eksempel. Vår agent er litt mer komplisert, fordi vi trener på større mengder data, sier han.
Dette er den første av fem nyttige KI-agenter selskapet bruker i det daglige. Her forteller Strømberg om fire til.
Vil du lære mer om hva KI-agenter og KI-assistenter er, og hvordan du enkelt kan lage din egen? Les mer her, her og lær mer i dette kurset.
1. Med en «anbudsagent» øker anbudene de vinner
Solcellespesialisten har også en egen KI-agent som bidrar til å svare opp offentlige anbud.
– Ved å jobbe på denne måten har vi økt anbudene vi vinner med 10 til 15 prosent. Det blir mye penger for oss, sier Strømberg, og forklarer hvordan agenten fungerer.
Først lager de en egen agent for selve anbudet. Dette er en prosess som tar omtrent 15 minutter. Deretter mater de programmet med dokumentene fra anbudet, inkludert kravspesifikasjoner.
– Videre spør vi agenten om hvilke tekniske krav vi må følge, om hvilke uklarheter den finner i anbudsgrunnlaget. Disse avklarer vi først med kunden. Deretter lager vi anbudet slik vi vanligvis gjør. Når vi er ferdig med det, spør vi agenten om hvordan vi ville ha scoret, dersom den var ansatt hos oppdragsgiveren.
Tilbake får de en sjekkliste de kan jobbe med som inneholder brister eller svakheter.
– Den store fordelen er at vi blir vurdert på riktig grunnlag, altså hva vi kan levere, ikke bare hvor gode vi er på å lese og levere anbud, sier han.
2. Operativ «reklamasjonsagent» hjelper med kundeservicen
Strømberg forteller også om deres reklamasjonsagent – altså en KI-agent som fungerer som en teknisk rådgiver for reklamasjonsavdelingen.
– Si at du har en kunde som er misfornøyd med en kabling. Hva er kunden rett på – og ikke? Da hjelper boten deg med oversikt over hvilke juridiske rammer og tekniske regler som gjelder for akkurat dette caset.
– Dette er med andre ord ikke bare et hjelpemiddel på siden, men en operativ teknologi, som støtter de ansatte i det daglige arbeidet og sparer dem for store mengder med tid.
3. «Dyp research» reduserte tre heltidsstillinger til en kvart stilling
De siste månedene har de største leverandørene av store språkmodeller konkurrert om å levere teknologi som kan «resonnere» og gjøre «dyp research». Kort sagt, at verktøyene i enda større grad leverer bearbeidet og «gjennomtenkt» tekst.
Solcellespesialisten har funnet flere gode bruksområder for «dyp research», forteller Strømberg.
– Tidligere brukte vi mye tid på å screene nye og eksisterende leverandører. For i tillegg til å besøke fabrikkene og verdikjeden fysisk i Kina og Europa, brukte vi mye tid på å undersøke kilder på internett for nyheter, forskningsrapporter, arbeidstilsynsrapporter og mer, sier han.
– Dette arbeidet har nå gått fra å gjøres på 1 til 2 uker per leverandør til kun en formiddag. Vi bruker fortsatt eksterne researchere, revisjonsfirmaer og besøker fabrikkene, men nå har vi et veldig enkelt og bra verktøy til å triagulere informasjonen vi får. Før bestod vår ESG-avdeling av tre fulltidsstillinger. I dag løses dette med en kvart stilling, mye på grunn av «dyp research».
Verktøyet graver også frem info om alle kjente underleverandører – og finner frem informasjon om deres underleverandører igjen – i totalt syv ledd.
– Det var et eksempel nå nylig hvor den kunstige intelligensen fant ut at en ny underleverandør i Polen ikke hadde betalt lønn til sine ansatte på to måneder. Dette var informasjon som kun var tilgjengelig på et lite forum, og noe vi aldri hadde klart å finne selv. Så da endte vi ikke opp med å samarbeide med dem, sier Strømberg.
4. Med denne agenten kan ingeniører lage sofistikerte programvarer
Generativ KI sparer dessuten selskapets IT-avdeling og programvareutviklere for enorme mengder med ressurser. En intern undersøkelse viser at flere av utviklerne har blitt 50 prosent mer produktive ved hjelp av KI-verktøy.
– I tillegg kan ingeniører nå lage sofistikerte programvarer, uten å huske noe særlig mer enn den grunnleggende programmeringen de lærte på universitetet, sier Strømberg.
Han anbefaler de som er nysgjerrige til å teste ut det norske programmet Databutton, som lar deg utvikle programmer uten særlig mye forkunnskaper.
Det er også tjenesten journalisten Per Kristian Bjørkeng fra Aftenposten brukte, da han skrev om hvordan han selv, uten noe særlig kodekunnskaper, lagde en programvare for journalister som handlet om automatisk transkribering av lydopptak.
– Jeg tror ingen menneskelig koder uten KI-bistand kunne utviklet appen like raskt som jeg gjorde med KI-bistand. Prosjektet kostet et par-tre tusenlapper i regninger til Databutton og Anthropic, skriver Bjørkeng i Aftenposten.
– Det er mindre enn en dagslønn for en IT-konsulent, fortsetter han – samtidig som han er åpen om utfordringene med å jobbe med en assistent som «aldri gir opp når det finnes enklere måter å nå målet på».
– The sky is the limit
Men å komme dit Solcellespesialisten er i dag, var ikke bare gjort i en håndvending.
Da de så seg nødt til å optimalisere driften, fant de fort ut at de måtte rydde opp i masse teknisk gjeld og kaotiske systemer. Til sammen registrerte de over 80 ulike dataverktøy.
– Det var innefektiv ressursbruk, estimatene var usikre og vi manglet oversikt over hva som spiste tid og ressurser. Vi hadde rett og slett et dårlig beslutningsgrunnlag.
Nå har de god praksis og en sofistikert pipeline for hvordan data samles inn, lagres og tas i bruk i maskinlæringssystemer.
Strømberg tror ikke de har nådd taket på hva de kan bruke kunstig intelligens til – snarere tvert i mot.
– Jeg er overbevist om at «the sky is the limit» på hvor effektive vi kan bli på en del kontoroppgaver.