Det här är en fältnotis skriven som ett sammansatt scenario — ett illustrativt förlopp, inte en återgivning av ett enskilt kunduppdrag. Vi har hållit det konkret med flit, för det är ungefär så de tre första veckorna brukar te sig. Poängen är den vi möter om och om igen: när ett agentteam krånglar de första veckorna är det nästan aldrig modellen det är fel på.
Vecka ett: kalibrering
Den första veckan handlade inte om att lösa problem. Den handlade om att lära teamet vad "normalt" ser ut för just den här verksamheten.
En agent som ska flagga avvikelser måste först veta vad som inte är en avvikelse. De första dagarna flaggade den för mycket — varje topp i inflödet såg ut som något att rapportera. Det var väntat. Vi justerade trösklar, matade in vad som faktiskt var värt en människas uppmärksamhet, och lät den köra. I slutet av veckan låg signalen någorlunda rätt.
Lärdomen var inte teknisk. Den var att kunden inte själv hade ett tydligt svar på vad som räknades som en avvikelse värd att agera på. Agenten tvingade fram den definitionen — och det var det första riktiga värdet, innan en enda uppgift var automatiserad.
Vecka två: eskaleringen ingen hade skrivit ner
Andra veckan började agenten eskalera ärenden till människor som inte förväntade sig dem. Inte för att logiken var trasig, utan för att den följde regler ingen hade gjort explicita.
Det visade sig att eskaleringsvägen i verksamheten aldrig hade dokumenterats. När en människa fick ett svårt ärende "visste hon bara" vem hon skulle fråga. Den kunskapen fanns i huvudet på två personer och ingenstans annars. Agenten kunde inte gissa sig till den, så den eskalerade brett — och fel.
Vi spenderade veckan med att skriva ner det som tidigare var tyst kunskap: vilket ärende går till vem, vid vilken tröskel, och vad som händer om den personen inte svarar. Den dokumentationen hade ett värde långt bortom agenten. Den fanns nu, läsbar, för första gången.
Vecka tre: det var aldrig modellen
I tredje veckan landade insikten. Problemen vi felsökte var inte AI-problem. De var organisationsproblem som agenten gjorde synliga.
Otydliga avvikelsedefinitioner, odokumenterad eskalering, ingen tydlig ägare för processen — allt detta fanns innan vi kom. Människorna hade kompenserat för det med omdöme och vana, så det syntes aldrig. En agent har ingen vana att kompensera med. Den gör exakt det processen säger, och när processen är otydlig blir resultatet otydligt på ett sätt ingen kan blunda för.
Vändpunkten kom när frågan slutade vara "hur får vi AI:n att förstå?" och blev "vem äger den här processen?". Den frågan hade de kunnat ställa i åratal. Det krävdes en maskin som vägrade improvisera för att den skulle bli omöjlig att skjuta upp.
Vad vi tog med oss
Ett agentteam är en spegel. Det visar er era processer som de faktiskt är kodifierade, inte som ni tror att de fungerar. De första veckornas friktion var inte tecken på att tekniken var fel vald — den var diagnosen ni inte hade bett om men behövde.
Om ni överväger ett agentteam och tror att den svåra delen blir tekniken: räkna med att den svåra och den värdefulla delen blir att göra era egna processer explicita. Tekniken är ofta den enklaste biten.
Vill ni se hur det ser ut för er verksamhet utan att binda upp er i ett stort projekt är vår pilot designad för precis den första, avslöjande sträckan.
TalentedAI bygger AI-agentteam för företag. Vi designar, driftsätter och driver agentteam som arbetar i er verksamhet — så att ert team kan fokusera på det som faktiskt kräver er.