Utvikling av AI-agenter og MCP-servere: språkmodeller koblet til systemene du allerede drifter

Demoene fungerer alltid. Piloten som oppsummerte dokumentasjonen var imponerende, prototypen som svarte på supporthenvendelser så klar ut, og så møtte den det virkelige CRM-systemet, den virkelige tilgangsmodellen og de virkelige dataene, og var ikke klar likevel.

Det gapet er jobben. Ikke modellen (modellen er den enkle delen nå), men alt mellom en språkmodell og et system som har meninger om autentisering, rate limiting, kundeskiller og hvem som får se hva.

Hva vi bygger

MCP-servere for de interne systemene dine

Model Context Protocol er en åpen standard for å eksponere verktøy og data mot AI-assistenter på en måte som er lik på tvers av klienter. Den har blitt det praktiske svaret på «hvordan lar vi en assistent bruke systemene våre uten å skrive en egen integrasjon for hver eneste assistent».

Vi bygger MCP-servere i produksjonskvalitet over det virksomheten faktisk kjører: CRM, saksbehandling, datavarehus, interne API-er, dokumentarkiv, ERP. Ikke en demoserver med et hardkodet token: én med skikkelig autentisering, autorisasjon per bruker som respekterer rettighetene systemene dine allerede håndhever, isolasjon mellom kunder, rate limiting, strukturert logging og en feilflate som gir modellen noe brukbart å forholde seg til når et kall feiler.

Skreddersydde AI-agenter og assistenter

Agenter som gjør en jobb fra ende til ende: sortere en innkommende kø, avstemme to systemer som er uenige, skrive førsteutkastet til et dokument et menneske deretter godkjenner, kjøre et researchoppdrag på tvers av interne og eksterne kilder. Vi bygger dem med de kjedelige delene inkludert: gjenforsøk, tidsavbrudd, kostnadstak, idempotens på alt som skriver, og et menneskelig godkjenningssteg overalt der en handling er vanskelig å reversere.

Søk og gjenfinning i eget innhold

RAG gjort ordentlig: dokumentinnlesing og oppdeling som følger strukturen i dokumentet i stedet for å telle tegn, embeddinger og vektorsøk, hybrid nøkkelord- og semantisk gjenfinning fordi rent vektorsøk bommer på eksakte treff, reranking, og kildehenvisninger tilbake til dokumentet slik at et svar kan etterprøves. Pluss den uglamorøse halvparten: å holde indeksen oppdatert når dokumentene endrer seg, og å respektere tilgangsstyringen slik at gjenfinningen aldri viser fram et dokument brukeren ellers ikke kunne åpnet.

Automatisering av arbeidsflyt og backoffice

Ikke alt trenger en agent. En stor del av det virksomheter vil ha ut av AI, er klassifisering, uttrekk og ruting: lese en innkommende e-post og avgjøre hva det er, hente strukturerte data ut av et ustrukturert dokument, matche en beskrivelse mot en katalogoppføring. Dette er billigere, mer pålitelig og lettere å evaluere enn en agent, og når det er det riktige svaret, bygger vi det i stedet.

Evaluering, observabilitet og sikkerhetsbarrierer

En AI-funksjon uten evaluering er en funksjon ingen kan forbedre. Vi bygger testsett fra de virkelige sakene dine, måler mot dem ved hver endring, sporer hvert kall med input, verktøybruk, latens og kostnad, og setter grenser på plass før en løpsk løkke finner API-regningen. Prompt injection er en reell risiko i det øyeblikket en agent leser innhold den ikke kan stole på og samtidig kan handle. Vi designer verktøygrensen slik at et ondsinnet dokument ikke kan bli til en destruktiv handling.

Hvordan vi forholder oss til modelleverandører

Vi er ikke bundet til én. Vi bygger mot Anthropics Claude-modeller, OpenAI, Google og modeller med åpne vekter som kjører på din egen infrastruktur, og vi designer integrasjonen slik at modellen er en utskiftbar komponent. Hvilken du bør bruke avhenger av oppgaven, latensen du trenger, kostnaden per kall ved ditt volum og (i Europa i økende grad det avgjørende), hvor dataene har lov til å befinne seg.

For kunder med krav til hvor data kan ligge, setter vi opp drift i EU-regioner eller selvhostet inferens på egen maskinvare, og vi sier ærlig fra om hvor det koster deg funksjonalitet.

Hva dette ikke er

Vi er ikke et AI-strategibyrå. Vi holder ikke workshops om det transformative potensialet i noe som helst.

Vi bygger heller ikke en agent for et problem som ikke trenger en. En god del av AI-prosjektene vi blir spurt om, løses bedre med en godt spesifisert API-integrasjon, en søkeindeks eller ved å rette datakvalitetsproblemet som ligger under. Å anbefale det koster oss et større oppdrag og sparer deg for et system du ellers måtte vedlikeholdt.

Der dette pleier å lønne seg

Intern kunnskap som teknisk sett er tilgjengelig og praktisk sett uoppnåelig: tusenvis av dokumenter spredt over en wiki, en fellesdisk og et saksbehandlingssystem, der den som vet hvilket dokument som gjelder, har ferie.

Triagering i volum: supportkøer, skademeldinger, innkommende salgshenvendelser, søknadsbehandling. Alt der et menneske i dag leser noe, avgjør hva det er, og sender det videre.

Systemer som aldri fikk en integrasjon: to verktøy som burde snakke sammen, gjør det ikke, og løsningen er en person med et regneark. En agent med MCP-tilgang til begge er ofte en kortere vei enn et formelt integrasjonsprosjekt.

Dokumenttunge prosesser: kontrakter, fakturaer, spesifikasjoner, myndighetsrapportering. Uttrekk med et menneskelig kontrollsteg er allerede i dag pålitelig nok til å endre økonomien i slike prosesser.

Utviklerproduktivitet i din egen kodebase: internt verktøy, hjelp til kodegjennomgang, testgenerering, og MCP-servere som gir teamets assistenter tilgang til byggesystemet, saksverktøyet og loggene deres.

Slik kjøres oppdragene

Kartlegging, én til to uker. Vi ser på prosessen du vil endre, systemene den berører, og hvordan dataene faktisk ser ut. Resultatet er en skriftlig vurdering av hva som er gjennomførbart, hva det koster å drifte per måned ved ditt volum, og hva feilmodusene er. Noen ganger sier den: ikke bygg dette.

Proof of concept, tre til seks uker, mot ekte data i et kontrollert miljø. Poenget er ikke en demo. Det er et evalueringsresultat du kan stole på, med en målt treffsikkerhet mot saker du selv har valgt.

Produksjonsbygg, typisk åtte til seksten uker, inkludert autentisering, autorisasjon, overvåking, evalueringsrigg, kostnadskontroll og dokumentasjon. Satt i drift i din infrastruktur, i ditt repository, med teamet ditt involvert hele veien.

Drift eller overlevering. Enten overtar teamet ditt, med driftshåndboken og evalueringssuiten, eller så drifter vi videre under en supportavtale. Modeller endrer seg, prompter forvitrer, og evalueringssuiten er det som forteller deg at noe stille og rolig har blitt dårligere.

Teknologi

Python og TypeScript for agent- og MCP-arbeid; PostgreSQL med pgvector, Qdrant, Weaviate eller OpenSearch for gjenfinning; AWS Bedrock, Azure OpenAI, direkte leverandør-API-er og selvhostet inferens med vLLM eller Ollama der dataene ikke kan forlate huset; sporing basert på OpenTelemetry; og hva enn den eksisterende stacken din er på integrasjonssiden, for det er der jobben faktisk ligger.

Ofte stilte spørsmål

Hva er en MCP-server, enkelt forklart?

En liten tjeneste som eksponerer en evne (lese fra en database, opprette en sak, søke i dokumentene dine), i et standardformat AI-assistenter forstår. Bygg én, og enhver MCP-kompatibel assistent kan bruke den evnen uten en egen integrasjon for hver.

Bør vi bygge en MCP-server eller en vanlig API-integrasjon?

Trenger én AI-assistent ett system, er en direkte integrasjon enklere. MCP tjener inn seg selv når flere assistenter eller flere team trenger de samme systemene, når du vil ha evnen tilgjengelig for verktøy du ennå ikke har valgt, eller når du vil ha ett sted der rettighetene og revisjonsloggen bor.

Hvordan hindrer dere at en agent gjør noe destruktivt?

I lag. Verktøy som skriver er skilt fra verktøy som leser, og skriveverktøyene er avgrenset så snevert oppgaven tillater. Alt som ikke kan reverseres, går gjennom et menneskelig godkjenningssteg. Hvert kall logges med argumentene sine. Og agenten kjører med en tjenesteidentitet som bare har de rettighetene jobben krever, slik at skadeomfanget er begrenset av din egen autorisasjonsmodell og ikke av prompten.

Hva koster dette å drifte?

Det avhenger nesten utelukkende av volum og av hvor mye kontekst hvert kall bærer med seg. Vi regner på dette i kartleggingen med reelle tall, fordi forskjellen mellom et design som sender et helt dokument ved hver tur og ett som henter fram den relevante delen, kan være en tierpotens i månedlig kostnad.

Kan dette kjøre uten at dataene våre forlater EU?

Ja. De store leverandørene tilbyr EU-regioner, og modeller med åpne vekter kan kjøre på infrastruktur du kontrollerer. Det er som regel en avveining mot funksjonalitet, og vi er konkrete på hva den består i i stedet for å late som den ikke finnes.

Forrige AI-pilot kom aldri i produksjon. Hvorfor skulle denne det?

Som regel fordi piloten beviste at modellen kunne løse oppgaven og aldri tok i autentisering, rettigheter, feilhåndtering, evaluering eller kostnad, som er der de resterende nitti prosentene av arbeidet ligger. Vi starter med å anta at modellen virker, og bruker oppdraget på alt det andre.

Kom i gang

Beskriv prosessen du vil endre og systemene den berører. Vi sier deg om en agent er riktig instrument, hvordan en realistisk førsteversjon ser ut, og hva den koster å bygge og å drifte.

Kontakt oss for å avtale en teknisk kartleggingssamtale.

Relaterte tjenester

• Bemanningsforsterkning og outsourcing: AI-ingeniører inn i teamet ditt
• Teknisk etterlevelse av EUs AI-forordning: for når det du bygger havner i virkeområdet
• AWS-kostnadsoptimalisering: inferens- og gjenfinningslast har en tendens til å overraske folk