Utveckling av AI-agenter och integration av MCP-servrar: språkmodeller kopplade till de system du redan kör

Demonstrationerna fungerar alltid. Piloten som sammanfattade er dokumentation imponerade, prototypen som besvarade supportfrågor såg färdig ut. Sedan mötte den det riktiga CRM-systemet, den riktiga behörighetsmodellen och de riktiga data, och var inte längre färdig.

Det glappet är själva jobbet. Inte modellen (den är den enkla delen numera), utan allt som ligger mellan en språkmodell och ett system som har bestämda krav på autentisering, anropsgränser, kundseparation och vem som får se vad.

Det här bygger vi

MCP-servrar för dina interna system

Model Context Protocol är en öppen standard för att ge AI-assistenter tillgång till verktyg och data på ett sätt som fungerar likadant i alla klienter. Den har blivit det praktiska svaret på frågan ”hur låter vi en assistent använda våra system utan att skriva en egen integration för varje assistent”.

Vi bygger MCP-servrar för produktion ovanpå det som verksamheten faktiskt kör: ditt CRM-system, ditt ärendehanteringssystem, ditt datalager, dina interna API:er, ditt dokumentarkiv, ditt ERP-system. Inte en demoserver med en hårdkodad token, utan en med riktig autentisering, behörighetskontroll per användare som respekterar de behörigheter dina system redan tillämpar, separation mellan kunder, anropsbegränsning, strukturerad loggning och felmeddelanden som säger modellen något användbart när ett anrop misslyckas.

Skräddarsydda AI-agenter och assistenter

Agenter som utför ett jobb från början till slut: sorterar en inkommande kö, stämmer av två system som inte är överens, skriver första versionen av ett dokument som en människa sedan godkänner, genomför en utredningsuppgift i både interna och externa källor. Vi bygger dem med de tråkiga delarna på plats: nya försök, tidsgränser, kostnadstak, idempotens för allt som skriver data och ett godkännandesteg för en människa varje gång en åtgärd är svår att ångra.

Sökning i ditt eget innehåll

RAG gjort ordentligt: inläsning och uppdelning av dokument som följer strukturen i stället för antalet tecken, embeddings och vektorsökning, hybridsökning med både nyckelord och semantik (ren vektorsökning missar exakta träffar), omrankning och källhänvisningar så att ett svar går att kontrollera. Plus den mindre glamorösa halvan: att hålla indexet aktuellt när dokumenten ändras och att respektera behörigheterna, så att sökningen aldrig visar ett dokument som användaren annars inte hade fått öppna.

Automatisering av arbetsflöden och backoffice

Allt behöver inte en agent. En stor del av det företag vill ha ut av AI är klassificering, extrahering och vidarebefordran: läsa ett inkommande mejl och avgöra vad det är, plocka ut strukturerade data ur ett ostrukturerat dokument, matcha en beskrivning mot en post i en katalog. Sådant är billigare, mer tillförlitligt och lättare att utvärdera än en agent, och när det är rätt svar är det det vi bygger.

Utvärdering, observerbarhet och skyddsräcken

En AI-funktion utan utvärdering är en funktion som ingen kan förbättra. Vi bygger testuppsättningar av dina verkliga fall, mäter mot dem vid varje ändring, spårar varje anrop med indata, verktygsanvändning, svarstid och kostnad, och sätter gränser innan en loop som skenar hittar din API-faktura. Prompt injection blir en verklig risk i samma stund som en agent läser innehåll som inte är betrott och samtidigt kan agera. Vi utformar gränsen kring verktygen så att ett skadligt dokument inte kan förvandlas till en destruktiv åtgärd.

Så arbetar vi med modelleverantörer

Vi är inte bundna till någon. Vi bygger mot Anthropics Claude-modeller, OpenAI, Google och modeller med öppna vikter som körs på din egen infrastruktur, och vi utformar integrationen så att modellen är en utbytbar komponent. Vilken du bör välja beror på uppgiften, vilken svarstid du behöver, kostnaden per anrop vid din volym och (allt oftare den avgörande faktorn i Europa) vart data får ta vägen.

För kunder med krav på var data lagras driftsätter vi i EU-regioner eller med egen inferens på din egen hårdvara, och vi säger ärligt var det kostar dig förmåga.

Det här är vi inte

Vi är inte en konsultfirma för AI-strategi. Vi håller inga workshoppar om den omvälvande potentialen i någonting.

Vi bygger inte heller en agent för ett problem som inte behöver någon. En betydande del av de AI-projekt vi får frågor om löses bättre med en välspecificerad API-integration, ett sökindex eller genom att rätta datakvalitetsproblemet som ligger under. Att rekommendera det kostar oss ett större uppdrag och besparar dig ett system som du annars hade fått underhålla.

Här brukar det löna sig

Intern kunskap som tekniskt sett finns men i praktiken inte går att nå: tusentals dokument utspridda i en wiki, en delad disk och ett ärendesystem, där den som vet vilket som är aktuellt är på semester.

Sortering i stora volymer: supportköer, inkommande skadeanmälningar, inkommande försäljning, granskning av ansökningar. Allt där en människa i dag läser något, avgör vad det är och skickar det vidare.

System som aldrig fick någon integration: två verktyg som borde prata med varandra men inte gör det, där lösningen är en person med ett kalkylark. En agent med MCP-åtkomst till båda är ofta en kortare väg än ett formellt integrationsprojekt.

Dokumenttunga verksamheter: avtal, fakturor, specifikationer, myndighetsrapportering. Extrahering med ett granskningssteg för en människa är redan i dag tillräckligt tillförlitlig för att ändra kalkylen för de här processerna.

Utvecklarnas produktivitet i er egen kodbas: interna verktyg, stöd vid kodgranskning, generering av tester och MCP-servrar som ger teamets assistenter åtkomst till byggsystemet, ärendehanteringen och loggarna.

Så går ett uppdrag till

Förstudie, en till två veckor. Vi tittar på processen du vill ändra, systemen som berörs och hur data faktiskt ser ut. Resultatet är en skriftlig bedömning av vad som är genomförbart, vad det kostar att köra per månad vid din volym och hur det kan gå fel. Ibland säger den: bygg inte det här.

Konceptvalidering, tre till sex veckor, mot riktiga data i en kontrollerad miljö. Poängen är inte en demo. Det är ett utvärderingsresultat du kan lita på, med en uppmätt träffsäkerhet mot fall som du själv valt.

Produktionsbygge, normalt åtta till sexton veckor, inklusive autentisering, behörighetskontroll, övervakning, utvärderingsramverk, kostnadskontroll och dokumentation. Driftsatt i din infrastruktur, i ditt kodförråd, med ditt team involverat hela vägen.

Drift eller överlämning. Antingen tar ditt team över, med driftmanual och utvärderingssvit, eller så fortsätter vi att driva lösningen inom ett supportavtal. Modeller ändras, promptar glider iväg, och utvärderingssviten är det som talar om när något i det tysta har blivit sämre.

Teknik

Python och TypeScript för agent- och MCP-arbete; PostgreSQL med pgvector, Qdrant, Weaviate eller OpenSearch för sökning; AWS Bedrock, Azure OpenAI, leverantörernas egna API:er och egen inferens med vLLM eller Ollama där data inte får lämna huset; spårning baserad på OpenTelemetry; och på integrationssidan den stack du redan har, eftersom det är där arbetet faktiskt sker.

Vanliga frågor

Vad är en MCP-server, enkelt uttryckt?

En liten tjänst som gör en viss förmåga tillgänglig (läsa från en databas, skapa ett ärende, söka i dina dokument) i ett standardformat som AI-assistenter förstår. Bygg en, så kan alla MCP-kompatibla assistenter använda förmågan utan en egen integration för var och en.

Ska vi bygga en MCP-server eller en vanlig API-integration?

Om en AI-assistent behöver ett system är en direkt integration enklare. MCP gör skäl för sig när flera assistenter eller flera team behöver samma system, när du vill att förmågan ska finnas tillgänglig för verktyg du ännu inte har valt, eller när du vill ha ett enda ställe där behörigheter och granskningsloggar finns.

Hur hindrar ni en agent från att göra något destruktivt?

I flera lager. Verktyg som skriver hålls åtskilda från verktyg som läser, och skrivverktygen avgränsas så snävt som uppgiften tillåter. Allt som inte går att ångra passerar ett godkännandesteg för en människa. Varje anrop loggas med sina argument. Och agenten körs med en tjänsteidentitet som bara har de behörigheter jobbet kräver, så att skadan begränsas av din egen behörighetsmodell och inte av prompten.

Vad kostar det att köra?

Det beror nästan helt på volymen och på hur mycket kontext varje anrop bär med sig. Vi räknar på det under förstudien med verkliga siffror, eftersom skillnaden mellan en lösning som skickar ett helt dokument vid varje steg och en som bara hämtar den relevanta delen kan vara en tiopotens i månadskostnad.

Kan det här köras utan att våra data lämnar EU?

Ja. De stora leverantörerna erbjuder EU-regioner, och modeller med öppna vikter kan köras på infrastruktur som du kontrollerar. Oftast får man ge upp en del förmåga, och vi säger konkret vad det handlar om i stället för att låtsas att det inte kostar något.

Vår förra AI-pilot nådde aldrig produktion. Varför skulle den här göra det?

Oftast för att piloten visade att modellen klarade uppgiften men aldrig rörde autentisering, behörigheter, felhantering, utvärdering eller kostnad, och det är där de återstående nittio procenten av arbetet finns. Vi utgår från att modellen fungerar och lägger uppdraget på allt det andra.

Kom i gång

Beskriv processen du vill ändra och systemen den berör. Vi säger om en agent är rätt verktyg, hur en realistisk första version ser ut och vad den kostar att bygga och att driva.

Kontakta oss för att boka en teknisk förstudie.

Relaterade tjänster

• Konsultförstärkning och outsourcing: AI-utvecklare som ingår i ditt team
• Teknisk efterlevnad av AI-förordningen: när det du bygger omfattas av regelverket
• Kostnadsoptimering i AWS: inferens och sökning har en tendens att överraska