AI-utvikling
AI er nå en del av hvordan vi bygger og av det vi bygger. Vi kobler store språkmodeller inn i produktene og arbeidsflytene deres, gir dem kontrollert tilgang til data og verktøy, og bruker AI-kodeagenter hver dag for å levere raskere uten å senke kravene til kvalitet.
Verktøyene
Agentiske løkker, LLM-API-er, RAG, MCP og AI-assistert koding, bygget inn i programvare som leveres.
LLM-API-er
Claude, GPT, Gemini og åpne modeller som Llama og Mistral, brukt via API-ene deres. Vi velger modell per oppgave ut fra kvalitet, hastighet, kostnad og hvor dataene deres kan behandles.
Agentiske løkker
Agenter som planlegger, bruker verktøy, sjekker resultatet og gjentar til jobben er gjort: sortering av saker, utkast til tilbud, oppdatering av registre. Hver løkke har en grense for antall steg, logger alle handlinger og spør et menneske før noe risikabelt.
RAG
Retrieval-augmented generation forankrer svarene i deres egne dokumenter, retningslinjer og produktdata. Innholdet deles opp, gjøres om til embeddinger og indekseres i en vektordatabase som pgvector, og hvert svar viser kildene sine.
MCP
Model Context Protocol er den åpne standarden for å koble AI-assistenter og agenter til systemene deres. Vi bygger MCP-servere for CRM, databaser, filer og interne API-er, hver med avgrensede tilganger som er skrivebeskyttet som standard.
Vibe coding
AI-assistert utvikling med Claude Code, Cursor og GitHub Copilot. Vi går fra idé til fungerende prototype på dager, og hver generert endring blir gjennomgått, typesjekket, testet og lagt i versjonskontroll før den leveres.
Evalueringer og sikringer
Testsett bygget på ekte saker, kjørt ved hver endring av prompt eller modell, pluss kontroller av inn- og utdata for personopplysninger, prompt injection og svar utenfor temaet. Kvaliteten måles, den gjettes ikke.
Slik jobber vi med dem
Mennesket i løkken
Agenter foreslår og mennesker godkjenner når en handling koster penger, sender en melding til en kunde eller endrer viktige data. Automatiseringen øker etter hvert som resultatene gir grunn til tillit.
Dataene er deres
Bedriftsavtaler for API-er uten trening på deres data, hosting i EU eller regionen ved behov, personopplysninger maskert før de når en modell, og hemmeligheter holdt utenfor prompter og logger.
Uavhengig av modell
Et tynt leverandørlag gjør at bytte til en nyere eller billigere modell er en konfigurasjonsendring, ikke en omskriving. Prompt-caching og ruting av enkle oppgaver til små modeller holder kostnadene forutsigbare.
Målt i produksjon
Hver AI-funksjon logger treffsikkerhet, svartid og kostnad per oppgave, med dashboards teamet deres kan lese, så dere ser om den lønner seg.
Planlegger du et prosjekt på denne stacken?
Fortell oss hva du bygger, så forteller vi hvordan vi ville løst det.