Et privat AI-lag oven på et eksisterende system – for eksempel forretningssystem, intranet eller sagshåndtering. Medarbejdere beskriver, hvad de vil opnå, og Elevate udfører styrede, autoriserede handlinger. Rettigheder, godkendelsespunkter og logning styrer, hvad AI-laget må gøre.
Elevate kobler en privat sprogmodel til jeres eksisterende systemer via deres API'er – med jeres rettighedsmodel som hård grænse. Forskellen fra en chatbot: en chatbot besvarer spørgsmål, Elevate udfører autoriserede handlinger i jeres systemer.
Medarbejdere beskriver, hvad de vil opnå, i almindeligt sprog – ingen oplæring i systemernes brugerflader, ingen makroer, ingen eksporter til Excel.
Hver handling udføres via systemernes API'er. Handlinger kontrolleres mod brugerens rettigheder og de regler, der er defineret for integrationen.
Elevate lægges oven på det, I allerede har – forretningssystemer, sagshåndtering, økonomisystemer. Ingen migreringer, ingen ny masterdata.
Illustrative eksempler på arbejdsflows før og efter. Tallene er illustrative – ikke garanterede resultater. Det faktiske udfald måles i piloten mod jeres egen baseline.
Scenarie 3 i praksis – en økonomiassistent arbejder mod forretningssystemet uden at åbne det.
Fire principper gør Elevate til noget andet end ”en chatbot mod et offentligt API”.
Sprogmodellen kører i jeres kontrollerede miljø eller på dedikeret GPU i vores svenske datacenter iht. aftalt arkitektur. Prompts, kundedata og svar passerer ikke offentlige AI-tjenester. Dataflows og eventuelle eksterne afhængigheder dokumenteres inden idriftsættelse.
Integrationer bygges på MCP (Model Context Protocol) – en åben standard for at koble AI til systemer. Det kan gøre integrationerne mere genanvendelige og mindske afhængigheden af en enkelt AI-leverandør.
Læsninger sker direkte, men handlinger, der opretter, ændrer eller sender noget, afstemmer Elevate først: ”Skal jeg gøre dette?”. I definerer, hvilke handlinger der kræver godkendelse – og hvilke der må ske automatisk.
Hvert spørgsmål, hvert svar og hver udført handling logges med bruger-ID og tidsstempel. Audit-trailen viser præcis, hvad Elevate har gjort for hvem – revisionsklart grundlag til GDPR og NIS2.
Systemer med dokumenterede API'er er ofte mulige at integrere. Vi vurderer autentificering, rettighedsmodel, licensvilkår, læse- og skrivestøtte, datamodel og tekniske begrænsninger før en pilot.
Forudsætningerne er færre, end I tror – vi hjælper jer gennem hvert punkt.
Vi starter altid med en afgrænset pilot – så værdien kan måles, inden I skalerer. Efter piloten overgår I til en månedlig pris for drift af AI-laget (GPU-omkostningen afhænger af inferencing-belastning – fastlægges under piloten).
Hvad der skal til for at komme i gang – vi hjælper jer gennem hvert punkt.
| API-adgang | Jeres systemer skal have API'er (REST/SOAP/GraphQL) eller databaseadgang, som Elevate kan integrere mod |
|---|---|
| Rettighedsmodel | Eksisterende brugerkatalog (AD/Entra ID eller tilsvarende) til at mappe handlinger mod de rette rettigheder |
| GPU-kapacitet | Dedikeret GPU i vores svenske datacenter er inkluderet i tjenesten – alternativt on-prem hos jer, hvis I har egen GPU-hardware |
| Pilotomfang | Vi anbefaler at starte med 1–2 systemer og en afgrænset brugergruppe, og udvide derefter |
Ét system, ét arbejdsflow, målbare resultater. Ingen "AI-transformation" – et afgrænset projekt med en tydelig afslutning.
Vi udvælger arbejdsflowet sammen med jeres pilot-ejer: hvad gøres i dag, af hvem, hvor ofte, og hvor lang tid tager det? Baseline måles – det er den, vi sammenligner med til sidst.
MCP-kobling bygges mod jeres system, rettighedsmodellen mappes mod jeres brugerkatalog, og den private model sættes op på GPU i vores datacenter. Kontrolpunkter defineres: hvad kræver godkendelse, hvad må ske automatisk.
En afgrænset brugergruppe arbejder med Elevate i deres daglige flow. Vi finjusterer prompts, integrationer og kontrolpunkter baseret på reel brug – hver uge.
Resultatet sammenlignes med baseline: sparet tid, færre fejl, reduceret vidensafhængighed. I får et beslutningsgrundlag – skalér op, udvid til flere flows eller afslut.
Minutter før vs. efter, pr. arbejdsflow. Målet er målbart kortere tid for forespørgsels- og registreringsflows – det faktiske udfald måles i piloten.
Andel af opgaver, der kræver efterarbejde. Når Elevate læser fra kildesystemet i stedet for, at nogen skriver af, mindskes risikoen for indtastningsfejl.
Hvor mange i teamet kan udføre opgaven? Med naturligt sprog som brugerflade forsvinder afhængigheden af "personen, der kender systemet".
Elevate bruger ikke offentlige AI-tjenester til prompts, kundedata eller svar i den aftalte standardarkitektur. Modellen kører i jeres kontrollerede miljø eller på dedikeret kapacitet i vores svenske datacenter. De præcise datastrømme, driftssted og eventuelle eksterne afhængigheder dokumenteres og godkendes inden idriftsættelse.
Handlinger udføres gennem systemets definerede integrationer og kontrolleres mod brugerens rettigheder og de regler, der er sat op for løsningen. En korrekt konfigureret integration begrænser, hvad AI-laget kan gøre; omfanget fastlægges og testes sammen med jer.
Handlinger, der opretter, ændrer eller sender noget, kræver en eksplicit godkendelse, inden de udføres – I ser præcis, hvad der vil ske. Læsende forespørgsler ændrer ikke kildesystemet, men kan stadig indeholde følsomme oplysninger eller give forkerte svar. Derfor er også læsning omfattet af adgangskontrol, logning, test og relevante databeskyttelsesforanstaltninger.
Pilotgruppen arbejder skarpt med Elevate fra uge 5. Fuld evaluering mod baseline er klar efter 8–12 uger – med målte tal for tid, fejl og vidensafhængighed, ikke skøn.
Dedikeret GPU i vores datacenter er inkluderet i tjenesten og dimensioneres under piloten ud fra den reelle inferencing-belastning. Har I egen GPU-hardware, kan Elevate også køres on-prem hos jer.
Nej. Elevate kan kobles til systemer, der ligger i jeres nuværende miljø – i offentlig cloud, on-premises eller i vores datacenter. Det kræver ikke, at I køber vores migrering eller managed drift, men kan kombineres med dem. Hvilke dele der kører hos jer henholdsvis i vores datacenter, bestemmes af den aftalte arkitektur.
Når Smart Source AB behandler personoplysninger på kundens vegne, reguleres rollen som databehandler i en databehandleraftale. Hvert spørgsmål og hver handling logges reviderbart, hvilket giver et tydeligere grundlag end medarbejdere, der indsætter kundedata i offentlige AI-værktøjer. Den endelige vurdering afhænger af den faktiske behandling og ansvarsfordelingen.
Book en Workflow Review, så skitserer vi et pilotoplæg til netop jeres systemer – eller tag en demo først.