Slik leser du eksemplene
Hver arbeidsflyt beskrives med fem deler: input → behandling → kontroll → output → KPI. Det gjør det mulig å vurdere nytten før dere bygger integrasjoner eller agentlag.
1. Nytt lead → strukturert kundeprofil
Input: kontaktskjema, e-post eller chat med fritekst.
AI-steg: trekk ut behov, budsjett, tidslinje, område, produktinteresse eller andre relevante felt.
Kontroll: faste valideringsregler sjekker obligatoriske felt og markerer usikker informasjon. Selger kan rette profilen før den blir kanonisk CRM-data.
Output: strukturert kundeprofil og foreslått neste oppgave.
KPI: tid fra henvendelse til komplett profil og andel profiler som må korrigeres.
Dette mønsteret brukes i RealtyFlow: AI kan tolke fritekst, men CRM-fakta skal ikke bli «sanne» bare fordi modellen gjetter.
2. Kundehistorikk → kort beslutningsbrief
Input: e-poster, CRM-notater, tidligere møter og åpne oppgaver.
AI-steg: oppsummer siste utvikling, åpne spørsmål, kundens uttrykte kriterier og mulige neste steg.
Kontroll: briefen skal lenke eller referere til underliggende data og skille kundens faktiske uttalelser fra AI-vurdering.
Output: «Dette bør du vite før du ringer kunden».
KPI: forberedelsestid per kundesamtale og hvor ofte briefen mangler kritisk informasjon.
3. Kundesignal → oppfølgingsutkast
Input: et signal, for eksempel svar på e-post, endrede søkekriterier, ny aktivitet eller inaktivitet over tid.
AI-steg: foreslå en kort oppfølging som tar hensyn til historikk og signalet.
Kontroll: mennesket godkjenner mottaker, timing og innhold før utsendelse. Regler blokkerer automatiske svar i situasjoner der kunden allerede følges manuelt.
Output: ferdig kladd – ikke automatisk sendt e-post.
KPI: tid brukt på oppfølging, svarrate og andel kladder som sendes uten større endring.
4. Kundeservicehenvendelse → kategori, svarutkast og eskalering
Input: ny supporthenvendelse.
AI-steg: klassifiser tema, hent relevante kunnskapsartikler og lag svarutkast.
Kontroll: spørsmål om økonomi, juridikk, klage, sikkerhet eller andre sensitive tema kan alltid eskaleres til menneske.
Output: prioritert sak med svarutkast og anbefalt eier.
KPI: første responstid, riktig kategorisering og andel saker som trenger re-eskalering.
5. Møtenotater → oppgaver med ansvar og frist
Input: møtenotat eller transkripsjon.
AI-steg: trekk ut beslutninger, oppgaver, ansvarlige og foreslåtte frister.
Kontroll: møteeier godkjenner før oppgaver opprettes eller frister kommuniseres.
Output: oppgaveliste med lenke tilbake til kilden.
KPI: tid fra møte til oppgavefordeling og andel oppgaver som mangler eier eller tydelig resultat.
6. Dokument eller faktura → strukturerte felt og avvik
Input: PDF, faktura, avtale eller annen standardisert dokumenttype.
AI-steg: identifiser leverandør, dato, beløp, nøkkelvilkår eller andre definerte felter.
Kontroll: beløp og kritiske vilkår valideres mot faste regler eller menneskelig kontroll før økonomiske data bokføres.
Output: strukturerte felt, avviksliste og kobling til originaldokument.
KPI: registreringstid, feltpresisjon og antall manuelle korrigeringer.
7. Én hovedartikkel → kanaltilpassede innholdsutkast
Input: kvalitetssikret artikkel, guide eller produktside.
AI-steg: foreslå LinkedIn-, Facebook-, Instagram-, nyhetsbrev- eller videomanus basert på samme kilde.
Kontroll: Brand Brain, kildekrav og kanalregler validerer utkastene. Publisering holdes separat fra generering.
Output: flere forskjellige konsepter med tydelig kobling til originalkilden.
KPI: produksjonstid, godkjenningsgrad, klikk til nettsted og faktisk lead-/konverteringsbidrag fremfor bare antall innlegg.
8. Eksisterende artikkel → kvalitets- og kildekontroll
Input: en publisert eller planlagt guide.
AI-steg: identifiser påstander som trenger kilde, overlapp mot eksisterende innhold, spørsmål leseren fortsatt mangler svar på og mulige interne lenker.
Kontroll: viktige fakta verifiseres mot primærkilder. AI skal ikke «bekrefte» sin egen tekst.
Output: redaksjonell forbedringsliste før publisering eller oppdatering.
KPI: færre tynne/dupliserte sider, mer komplett innhold og bedre overgang til neste steg i kundereisen.
9. CRM + signaler → daglig prioriteringsbrief
Input: åpne leads, pipeline, siste aktiviteter, frister og nye signaler.
AI-steg: rangér hvilke saker som fortjener oppmerksomhet og forklar hvorfor.
Kontroll: scoringen må være forklarbar og selgeren må kunne overstyre prioriteringen. AI-vurdering holdes separat fra pipeline-status.
Output: «Dette bør du gjøre i dag» med lenke direkte til saken.
KPI: andel aktive saker med konkret neste steg, responstid og pipeline-progresjon.
Dette er et sentralt mønster i RealtyFlow/Nexus.
10. Vertikal observasjon → kontekst, historikk og neste handling
Input: et domene-spesifikt signal – for eksempel et GEO-merket feltbilde i Olivia eller et nytt selskapsignal i Corporate Intelligence.
AI-steg: kombiner signalet med riktig historikk og fagkontekst.
Kontroll: systemet skal kunne si «usikker» og be om mer informasjon. Kritiske faglige eller kommersielle vurderinger blir forslag, ikke automatisk sannhet.
Output: observasjon, forklaring og foreslått neste steg i den vertikale arbeidsflaten.
KPI: hvor ofte forslag fører til relevant handling, hvor ofte systemet må korrigeres og om historikken faktisk forbedrer kvaliteten.
Ikke bruk AI der en regel er bedre
En vanlig feil er å sende alle steg gjennom en språkmodell. Hvis oppgaven er «beløp over 50 000 krever godkjenning», bør det være en regel. Hvis oppgaven er «forstå hva kunden mener med denne friteksten», kan AI være riktig.
Gode arbeidsflyter kombinerer deterministisk programvare og AI i stedet for å gjøre alt probabilistisk.
Hvordan velger du første automasjon?
Bruk en enkel prioritering. Start med prosesser som er hyppige, tidkrevende, enkle å måle og relativt enkle å kontrollere.
Fra halvautomatisk til mer autonomt
Start gjerne med at AI lager et forslag. Når dere har nok data til å vite hvor ofte forslaget er riktig, kan enkelte lavrisikosteg flyttes bakover i prosessen og automatiseres. Ikke fjern kontrollpunktet bare fordi teknologien kan utføre handlingen.
Vanlige spørsmål
Hva er et godt første automasjonsprosjekt?
En repeterbar oppgave med tydelig input og output, målbar tidsbruk og lav til moderat konsekvens hvis et forslag må rettes.
Må AI brukes i alle steg?
Nei. Gode arbeidsflyter kombinerer ofte faste regler, databaseoperasjoner, AI-tolkning og menneskelig godkjenning.
Hvordan vet vi om automasjonen er verdt det?
Mål arbeidsoppgaven før og etter: tid, feilrate, responstid, kvalitet, gjennomføring og hvor ofte et menneske må rette resultatet.
Bør e-post og publisering automatiseres helt?
Ikke som standard. Når handlingen representerer virksomheten utad, er kladd pluss godkjenning ofte et tryggere første nivå.
Hva er forskjellen på automasjon og agent?
Automasjon følger primært en forhåndsdefinert flyt. En agent kan i større grad velge hvilket tillatt verktøy eller neste steg som passer situasjonen.
Hvor mange automasjoner bør vi bygge samtidig?
Færre enn du tror. Bevis én sammenhengende arbeidsflyt, mål effekten og bruk læringen før neste område automatiseres.