Luniat Magazine

AI i verksamheten, kapitel för kapitel.

En handbok i fem delar för företag som vill gå från enstaka AI-försök till system i drift. Och praktiska guider per bransch för mindre företag.

15 kapitel · 7 guider · Av Nicolas

Börja läsa

Våga hela vägen

Korta, praktiska artiklar för team som har en AI-demo som fungerar men inte vågar släppa den. En fråga i taget, på vanlig svenska.

  1. 01 Demon fungerade. Varför släpper vi den inte?Fem rädslor som håller fungerande AI-prototyper kvar i demoläge, och hur ni gör varje rädsla till ett konkret beslut i stället för en känsla. 6 min
  2. 02 Hur bra är bra nog? Bestäm ribban innan ni bygger vidare”Den måste vara 100 procent rätt” stoppar fler AI-projekt än någon bugg. Så sätter ni en ribba som går att nå, mäta och försvara. 5 min
  3. 03 Ert första test av AI-svaren, på en eftermiddagFrån ”det känns bra” till ”46 av 50 rätt” på en eftermiddag. Ett kalkylark, femtio riktiga frågor och ett litet skript som visar vad varje ändring förstör. 5 min
  4. 04 Släpp till tio användare förstDet säkraste sättet att släppa en AI-funktion är i små steg. Skuggläge, tio användare, en avstängningsknapp och ett datum för nästa steg. 5 min
  5. 05 När AI:n har fel: bygg för misstag i stället för att frukta demAI kommer att svara fel ibland. Så bygger ni ett skyddsnät med människan i loopen, ett sätt att rätta och en fel-logg som gör varje fel till ett test. 5 min
  6. 06 Prompten som ingen vågar röraNär prompten har vuxit till tre sidor och ingen vet vad varje rad gör. Så versionerar, testar och städar ni en prompt så att den går att ändra igen. 5 min
  7. 07 ”Vi väntar på nästa modell”: varför det sällan hjälperNästa modell kommer alltid snart. Varför väntan sällan löser det som håller projektet tillbaka, och hur ni byter modell säkert när den väl kommer. 4 min
  8. 08 Hallucinationer: vad de är och hur ni håller dem i schackVarför AI ibland hittar på med full säkerhet, och fem sätt att minska det i praktiken. Ge den underlag, låt den säga vet inte och kontrollera källorna. 5 min
  9. 09 Kostnadsoron: räkna först, oroa er sedanSå räknar ni ut vad ett AI-svar kostar på en kvart, med tokens förklarade på vanlig svenska, ett räkneexempel och tre sätt att hålla kostnaden nere. 5 min
  10. 10 Få med juristen, säkerhetschefen och ledningenJuristen och säkerhetschefen säger oftare ja än ni tror, om de får underlag i tid. En dataflödesbeskrivning på en sida och frågorna de ställer. 5 min
  11. 11 Vem äger AI-funktionen när den väl är i drift?Efter lanseringen blir AI-funktionen ofta ingens ansvar. Så fördelar ni ägarskapet, och de fyra rutiner som håller den bra månad efter månad. 4 min
  12. 12 Agent eller inte? Börja enklare än ni trorAllt behöver inte vara en AI-agent. Så avgör ni om ni behöver en agent eller ett enkelt arbetsflöde, och hur ni börjar i rätt ände. 5 min

Innehåll

Fem delar, i den ordning arbetet faktiskt sker.

  1. Del I

    Varför nu

    Vad som har förändrats, och vad det kostar att vänta.

    1. 01 Varför väntan på AI blir dyrare för varje kvartal 9 min
    2. 02 Vad AI faktiskt kan göra i en verksamhet i dag 9 min
    3. 03 Så får ni med ledningsgruppen på AI utan att lova för mycket 8 min

  2. Del II

    Där ni börjar

    Hitta det manuella arbetet och välj rätt första projekt.

    1. 01 Hitta det manuella arbetet: så kartlägger ni var AI gör störst nytta 10 min
    2. 02 Så räknar ni på ett AI-projekt innan ni börjar 9 min
    3. 03 Data ni behöver för AI, och data ni inte behöver 9 min

  3. Del III

    Bygg

    Från plan till system i drift.

    1. 01 Från pilot till drift: så bygger ni ert första AI-system 10 min
    2. 02 Människan i loopen: så designar ni granskning och ansvar i AI-flöden 9 min
    3. 03 Bygga själva, köpa färdigt eller ta hjälp: så väljer ni väg för AI 9 min

  4. Del IV

    Skala

    Från ett system till hela verksamheten, utan att teamet växer i samma takt.

    1. 01 Så skalar ni innehållsproduktion över 5 marknader utan att anställa 9 min
    2. 02 Från ett AI-system till tio: så bygger ni grunden för att skala 9 min
    3. 03 När rollerna förändras: så leder ni organisationen när AI tar över rutinarbetet 9 min

  5. Del V

    Mät

    Följ upp effekten och visa vad den är värd.

    1. 01 Så mäter ni effekten av AI och visar vad den är värd 9 min
    2. 02 Kvalitet i drift: så vet ni att AI-systemet fortfarande gör rätt 9 min
    3. 03 Nästa steg: så prioriterar ni när det första AI-systemet har lyckats 9 min

Handboken

Praktiska guider för mindre företag, sorterade efter bransch.

Butiker

  1. Få fler kunder till din butik via sociala medier4 min

Café och restaurang

  1. Så syns ditt café bättre på nätet5 min

Lokala företag

  1. Fungerar hashtags fortfarande på Instagram?4 min
  2. Hur ofta ska ett lokalt företag posta?5 min
  3. Negativa Google-omdömen: ta bort eller svara?5 min
  4. Synlighet på nätet för småföretag: en nybörjarguide5 min
  5. Vad kostar det att anlita någon för sociala medier?5 min

Luniat Engineering

Tekniska djupdykningar för utvecklare och tekniska chefer, på engelska. All kod är typkontrollerad och testad.

  1. 01 A reference architecture for LLM systems in productionOne gateway between your services and every model provider, with per-tenant limits, versioned prompts, fallbacks, retries and telemetry. Tested code. 17 min
  2. 02 Evals as CI: release gates for LLM systemsVersioned datasets, deterministic scorers, a calibrated LLM judge and a paired statistical gate that blocks a merge when quality drops. With tested code. 14 min
  3. 03 Retrieval that holds up: hybrid search, chunking and citations in PostgresStructure-aware chunking, vector and full-text search fused with RRF in one SQL query, tenant-scoped by construction, with citations you can verify. 14 min
  4. 04 Structured output and tool calls that do not break productionValidate model output against a schema, repair it with exact errors, and run tool calls with permissions, validation and idempotency keys. Tested code. 11 min
  5. 05 Multi-tenant AI without leaks: isolation from the database to the promptForced row-level security tested in CI, a request-scoped tenant context, tenant-bound caches and secrets, and why the prompt is a new place to leak data. 11 min
  6. 06 One rate limit, many tenants: fair queues and adaptive throttlingShare one provider rate limit between tenants with deficit round robin, pace calls from quota headers, and keep a reserve for interactive traffic. 10 min
  7. 07 Cost and latency: caching, batching, routing and budgetsWhere the money and the milliseconds go in an LLM system, and four levers that move both, with the arithmetic and tested code for each. 10 min
  8. 08 Security for LLM applications: injection, exfiltration and excessive agencyWhy prompt injection cannot be filtered away, and the controls that hold anyway: spotlighting, taint-aware tool policies, output sanitising. 11 min
  9. 09 Observability for LLM systems: traces, metrics and samples without leaking dataSpans with OpenTelemetry's generative AI attributes, tail sampling that keeps every interesting trace, latency histograms, and no prompts in the logs. 9 min
  10. 10 Agents in production: state machines, budgets and humans in the loopRun an agent as an explicit state machine with a step budget, a deadline and an error cap, saved after every step and paused for human approval. 11 min

Nyhetsbrev · Luniat Magazine

Nya kapitel i inkorgen.

Vi mejlar när ett nytt kapitel eller en ny guide publiceras. Inget annat, och du kan avsluta när du vill.

Vi skickar ett mejl där du bekräftar anmälan. Så hanterar vi din adress.

  • Ett mejl per nytt kapitel
  • Inget annat
  • Avsluta med ett klick