AI-kunskapsbas -
teamets "operativsystem" för AI

En AI-kunskapsbas är ert teams 'operativsystem' för AI, en samling av färdiga prompts, guider och best practices som säkerställer att alla använder AI på ett effektivt och säkert sätt. Den minskar inlärningstid för nya medarbetare, säkerställer konsekvent kvalitet och förhindrar att varje person uppfinner hjulet på nytt.

Till skillnad från generella wikis är en AI-kunskapsbas specifikt byggd för AI-användning: prompts som är testade och optimerade, use-case-guider med steg-för-steg-instruktioner, säkerhetsriktlinjer för känslig data och kontinuerlig uppdatering när AI-verktyg utvecklas. Det är skillnaden mellan 'dokumentation' och ett aktivt verktyg för dagligt arbete.

Kunskapsbasen kan vara fristående (t.ex. i Notion, Confluence eller SharePoint) eller integreras med era AI-verktyg som Copilot, ChatGPT Enterprise eller Anthropic Claude. Vi anpassar format och struktur efter era befintliga system och arbetsflöden.

Vi etablerar en uppdateringsrutin som del av leveransen: vem som äger innehållet, hur nya prompts läggs till, process för feedback och förbättring samt regelbundna genomgångar (t.ex. kvartalsvis). Vi kan även erbjuda löpande förvaltning där vi håller kunskapsbasen aktuell.

Absolut. Alla prompts och guider skräddarsys för era specifika use-cases, bransch, tonalitet och arbetssätt. Vi startar med inventering av era behov och bygger sedan material som faktiskt fungerar i er vardag, inte generiska mallar.

En grundläggande kunskapsbas tar typiskt 4 to 6 veckor: inventering (1v), framtagning (2 to 3v), test (1v) och lansering (1v). Mer omfattande projekt med många avdelningar och use-cases kan ta 8 to 10 veckor. Vi prioriterar alltid de viktigaste områdena först så att ni ser värde tidigt.

Prissättning beror på omfattning och antal use-cases. En grundläggande kunskapsbas (5 to 10 use-cases, 1 to 2 avdelningar) kostar typiskt 80 to 150 tkr. Mer omfattande projekt (15+ use-cases, flera avdelningar) ligger på 150 to 250 tkr. Vi ger alltid en tydlig offert efter första genomgång.

Ja, vi rekommenderar det. En levande kunskapsbas växer genom användning. Vi bygger in process för bidrag: hur man föreslår nya prompts, vem som granskar och godkänner, hur man ger feedback på befintligt material. Det skapar engagemang och säkerställer att innehållet speglar verkliga behov.

Vi mäter adoption (hur många som använder den), effektivitet (tid sparad per uppgift), kvalitet (konsistens i output) och NPS/feedback från användare. Månadsvis uppföljning visar tydligt om kunskapsbasen levererar värde och var förbättringar behövs.

Ja, det är en av de mest kraftfulla kombinationerna. En AI-agent kan använda kunskapsbasen som sin datakälla via RAG (Retrieval Augmented Generation) för att ge korrekta, företagsspecifika svar. Det innebär att agenten alltid svarar baserat på era godkända prompts och riktlinjer, inte generisk AI-kunskap.

Vad är kunskapsbas i praktiken? Det är en strukturerad samling av information som ett team eller system kan slå upp svar i. För AI handlar det specifikt om en samling prompts, guider, policy-dokument och referensmaterial som både medarbetare och AI-modeller (via RAG) kan använda som källa. Skillnaden mot en traditionell wiki är att en AI-kunskapsbas är optimerad för att läsas av både människor och språkmodeller, med tydliga rubriker, korta stycken och konsekvent terminologi.

En AI-kunskapsbas företag använder skiljer sig på tre punkter: (1) innehållet är skrivet för att vara prompt-bart och chunk-bart för RAG, inte bara läsbart, (2) den innehåller säkerhetsregler för vilken data som får matas in i externa AI-verktyg, och (3) den uppdateras i takt med att modeller och verktyg utvecklas (var 4:e-6:e vecka är typiskt). En vanlig wiki uppdateras ofta årligen och saknar dessa strukturella egenskaper.

Starta smalt: 15 to 25 prompts som täcker era 5 viktigaste use-cases, plus 3 to 5 policy-dokument. En vanlig fälla är att försöka dokumentera allt på en gång, då blir innehållet generiskt och oanvänt. Vi rekommenderar att börja med en avdelning (ofta marknad eller försäljning där värdet är tydligast), validera adoption under 4 to 6 veckor, och sedan skala till resten av organisationen.

Minst tre roller: en AI-ägare (ofta CIO, COO eller en utsedd AI-lead) som äger strategi och säkerhet, en innehållsförvaltare (ofta från kommunikation, HR eller en operations-roll) som granskar och godkänner nya prompts, och 2 to 4 ambassadörer per avdelning som bidrar med use-cases och feedback. Tillsammans utgör de styrgruppen som möts kvartalsvis för att uppdatera prioriteringar.

Ja, men i mindre skala. För team under 50 personer räcker ofta en enkel kunskapsbas i Notion eller Confluence med 10 to 20 prompts, en sida med säkerhetsriktlinjer och en månatlig genomgång. Investeringen ligger då på 40 to 80 tkr istället för 80 to 250 tkr. Värdet är ofta proportionellt större eftersom mindre team saknar formella processer och får mer hävstång av strukturerade arbetssätt.

Vi separerar innehållet i tre lager: (1) publika prompts utan känslig data som kan användas i externa verktyg som ChatGPT, (2) interna prompts med företagsspecifik kontext som endast får användas i godkända enterprise-verktyg (Copilot, ChatGPT Enterprise, Claude for Work) och (3) känslig data som aldrig får matas in i AI alls. Klassificeringen dokumenteras tydligt och tränas in via onboarding.