AI-agent för lead scoring: 2026 svenska playbook

Tre generationer scoring: rule-based, ML-based, agentic

De tre scoring-generationerna:

1. Rule-based scoring. Statiska poäng per event: +10 för e-post-öppning, +25 för demo-request, +50 för pricing-sida-visit. Snabb att sätta upp, transparent, men skalar dåligt när ni har flera segment eller icke-linjära signaler. Rätt val när ni har mindre än 500 closed-won-deals historik och färre än 5 segment.
2. ML-based scoring. Klassisk supervised learning (logistic regression, gradient boosting) tränad på historiska closed-won vs closed-lost per lead. HubSpot Predictive Lead Scoring och Salesforce Einstein Lead Scoring tillhör denna kategori. Kräver 500 till 5000 historiska deals för trovärdig modell. Utmaningar: model-drift, black-box-förklaring, statisk kalibrering.
3. Agentic scoring. AI-agent som orkestrerar ML-modellen plus hämtar färsk data per lead (LinkedIn Sales Navigator, news, tech-stack, intent-data), motiverar poängen i klartext, kalibrerar per segment och triggar rätt handoff. Fixar ML-modellens black-box-problem och adderar realtids-signaler. Rätt val när ni har flera segment med olika buying signals eller behöver per-lead-motivering till sälj.

Rätt val för svensk mid-market 2026 är oftast hybrid: agentic-lagret orkestrerar en ML-modell och adderar färska signaler plus motivering. Djupare arkitektur i vår engelska guide AI Agent Architecture Patterns och pillar-guiden AI-agenter: komplett guide för svenska företag.

Feature engineering: firmographics + technographics + intent + engagement + 4 svenska features

Sammanfattat

Fem feature-kategorier: (1) firmographics (bransch, storlek, geo, säte), (2) technographics (tech-stack, adoption timing), (3) intent (Bombora, 6sense, G2 Buyer Intent), (4) engagement (webbsidor, e-post, event, produkt-usage), (5) svenska features (bolagsform, län-säte, årsredovisnings-nyckeltal, offentlig upphandling-historik). Alice Labs typiska vikt: intent 30 procent, engagement 25 procent, firmographics 20 procent, technographics 15 procent, svenska features 10 procent.

Alice Labs feature-katalog för svensk B2B 2026:

• Firmographics (20 procent vikt). Bransch (SNI-kod plus egen taxonomi), storlek (antal anställda från Bolagsverket, ARR-range från allabolag.se), geografi (land, län, ort), affärsmodell (SaaS, e-com, tjänst, industri).
• Technographics (15 procent vikt). Tech-stack (BuiltWith, Wappalyzer, Slintel), adoption-timing (när adopterade de nuvarande CRM, nuvarande CDP), integrations-signaler (Zapier, Make), cloud-provider (AWS, Azure, GCP).
• Intent (30 procent vikt). Bombora Topic Data, G2 Buyer Intent (per kategori), 6sense Predictive Intent, egen webbsida-topic-clustering (via Warmly, Snitcher, RB2B), review-plattform-aktivitet.
• Engagement (25 procent vikt). Webbsidan (pageviews, session depth, pricing-sida-visit), e-post (open, click, reply), event (webinar attendance, live event RSVP), produkt (för PLG-hybrid).
• Fyra svenska features (10 procent vikt). Bolagsform (AB, HB, EK, enskild firma), säte (län), antal anställda enligt Bolagsverket, senaste årsredovisnings-nyckeltal från allabolag.se (omsättning, rörelseresultat, soliditet). Bonus: offentlig-sektor-mål har egen feature (Kammarkollegiets upphandlings-historik).

Vikterna är startvärden. Kalibrera per segment baserat på 6 till 12 månaders historik. Alice Labs kör alltid en per-segment-kalibrering: enterprise-segment har oftast högre firmographics-vikt (30 procent), scale-up-segment högre engagement-vikt (35 procent).

Trainings-loop: hur en kalibrerad modell byggs från 6 till 12 månaders CRM-historik

Sammanfattat

Sex-stegs träningsloop: (1) exportera 6 till 12 månaders leads plus outcome (closed-won, closed-lost, no-decision), (2) datastädning och feature-engineering, (3) train-test split (typiskt 70/15/15), (4) modellval (logistic regression eller gradient boosting för start), (5) hyperparameter-tuning plus cross-validation, (6) bias-audit plus GDPR-review. Kalibrering var 90:e dag; regression-run varje vecka.

Alice Labs standard-träningsloop för svensk B2B-scoring 2026:

1. Exportera 6 till 12 månaders leads plus outcome. Ur CRM: alla leads i tidsintervallet, deras features vid inkomst-tidpunkt (inte nuvarande värden — undvik data leakage), och outcome (closed-won, closed-lost, no-decision). Minimum 500 closed-won för trovärdig modell; helst 2000+.
2. Datastädning och feature-engineering. Duplikathantering, missing-value-imputation, kategoriska features one-hot-encoded, kontinuerliga features normaliserade. Ta bort features som läcker outcome (t.ex. contract signed date).
3. Train-test split. Typiskt 70 procent train, 15 procent validation, 15 procent test. Time-based split för svensk B2B (train på Q1 till Q3, test på Q4) för att fånga säsong.
4. Modellval. Logistic regression för start (transparent, snabb). Gradient boosting (XGBoost, LightGBM) för högre precision men lägre transparens. Alice Labs default är logistic regression plus SHAP-values för per-lead-förklaring till sälj.
5. Hyperparameter-tuning plus cross-validation. Grid search eller Bayesian optimization på validation-set. K-fold cross-validation för att undvika overfitting.
6. Bias-audit plus GDPR-review. Kör bias-test per segment (bolagsform, storlek, geografi). Dokumentera laglig grund för scoring (typiskt intresseavvägning), ändamålsbegränsning, uppgiftsminimering. DPO-review innan produktion.

Kalibrering var 90:e dag är minimum. Weekly regression-run på 100 slumpmässigt valda leads jämför modell-output mot manuell säljbedömning. Om deviation över 15 procent: eskalera till re-training. Djupare observability-ramverk i AI Agent Observability Guide 2026.

Kvalificerings-handoff: MQL → SQL → Opportunity med tröskelvärden och SLA:er

Sammanfattat

Standardtrösklar för svensk B2B 2026: MQL = 60 (agentens marketing-nurture-trigger), SQL = 75 (auto-tilldelning till SDR med 24 timmar SLA), Opportunity = 85 (SDR eskalerar till AE med 2 timmar SLA för meetings booked). Trösklarna kalibreras per segment: enterprise-segment ligger typiskt lägre (SQL 65) men med striktare kvalitetsförväntning; scale-up-segment ligger högre (SQL 80) för att skydda SDR-kapacitet.

Kvalificerings-handoff är den enskilt viktigaste operativa mekanismen i lead scoring. Alice Labs standard-protokoll:

1. Lead in (score under 60). Automatisk nurture: newsletter, retargeting-annonser, occasional educational content. Ingen manuell touch.
2. MQL (score 60 till 74). Marketing-agent triggar aktiv nurture: personaliserad content, invitation till webinar, case-studies relevanta för segment. Auto-triggering av first-touch efter 3 engagement-signaler över 14 dagar.
3. SQL (score 75 till 84). Auto-tilldelning till SDR i CRM med 24 timmar SLA för första touch. Agent drar en scoring-brief: features som drev poängen, relevanta triggers, föreslagen öppningsvinkel.
4. Opportunity (score 85 och över). SDR eskalerar till AE med 2 timmar SLA för meetings booked. Om AE inte hinner: fallback till Head of Sales. Om score överstiger 90 med demo-request-signal: direkt AE-tilldelning.

Trösklarna kalibreras per segment. Enterprise (5+ MSEK ARR) har typiskt lägre trösklar (SQL 65) med striktare kvalitetsförväntning per lead. Scale-up (under 500 kSEK ARR) har högre trösklar (SQL 80) för att skydda SDR-kapacitet. Kalibrering var 90:e dag baserat på close rate per tröskel-band.

Utan skriftlig SLA tappas 30 till 50 procent av high-intent-leads. Se detaljerad handoff-genomgång i vår ABM-playbook AI-agent för ABM och sales-agent-guiden AI sales agent för B2B.

CRM-integration: HubSpot, Salesforce Einstein, Pipedrive plus custom Claude Agent SDK

Sammanfattat

Tre CRM-native scoring-plattformar dominerar svensk B2B 2026. HubSpot Predictive Lead Scoring (native i Marketing Hub Enterprise) är default för mid-market. Salesforce Einstein Lead Scoring (native i Sales Cloud) plus Data Cloud för enterprise. Pipedrive AI Insights för scale-ups. Ovanpå bygger Alice Labs custom Claude Agent SDK-lager för per-lead-motivering, multi-segment-kalibrering och realtids-signal-hämtning som CRM-native modeller saknar.

CRM-native scoring är utgångspunkt; custom agent-lager adderar det som saknas. Kort översikt:

• HubSpot Predictive Lead Scoring. Native i Marketing Hub Enterprise. Tränas automatiskt på er CRM-historik (minimum 500 closed-deals). Uppdateras dagligen. Custom-tillägg via HubSpot API plus Claude Agent SDK för multi-segment-kalibrering och per-lead-motivering. Kostnad: inbakad i Marketing Hub Enterprise (från cirka 32 000 SEK per månad).
• Salesforce Einstein Lead Scoring. Native i Sales Cloud Enterprise och Unlimited. Kombineras med Einstein Opportunity Scoring för fullt pipeline-täcke. Kräver Data Cloud för enterprise-nivå feature-engineering. Kostnad: från cirka 75 USD per user per month tillägg.
• Pipedrive AI Insights. Enklare scoring plus deal insights. Passar scale-ups 10 till 60 säljare som växt ur enkla regel-baserade system men inte vill migrera CRM. Custom Claude Agent SDK-lager är standard för fullständig agentic scoring på Pipedrive.

Alice Labs default för svensk mid-market 2026: HubSpot Predictive Lead Scoring plus custom Claude Agent SDK-lager för per-lead-motivering, multi-segment-kalibrering och realtids-signal-hämtning (LinkedIn, news, tech-stack, intent). För enterprise med Salesforce är standardstacken Einstein plus Data Cloud plus custom Apex-agenter.

Guardrails: bias-testning, model-drift, human-override, immutable audit-loggar

Sammanfattat

Fyra guardrails är obligatoriska för AI-scoring i produktion. (1) Bias-testning per segment (bolagsform, storlek, geografi, kön av kontaktperson). (2) Model-drift-detection (weekly regression-run, feature-distribution-monitoring). (3) Human-override: sälj kan alltid manuellt sätta score plus motivering, agenten lär från override-mönster. (4) Immutable audit-loggar per EU AI Act Artikel 12 och GDPR Artikel 22 (rätt till förklaring).

Fyra kontroller Alice Labs bygger in i alla svenska scoring-uppdrag:

1. Bias-testning. Kör bias-audit per segment innan produktion och kvartalsvis efter: bolagsform, företagsstorlek, geografi, kön av primär kontaktperson. Dokumentera resultatet. Om bias över tröskel (typiskt 5 procent disparate impact): re-träna eller re-viktera features.
2. Model-drift-detection. Weekly regression-run: 100 slumpmässigt valda leads scoras av modellen; manuell säljbedömning jämförs; deviation loggas. Feature-distribution-monitoring: om input-fördelningen drivar (nya segment, seasonal shift) larmas RevOps.
3. Human-override med lärning. Sälj kan alltid manuellt sätta score plus motivering. Override-mönster (upprepade downgrades i visst segment) triggar re-training. Utan human-override tappar sälj förtroende för modellen inom 3 månader.
4. Immutable audit-loggar. Varje score, feature-värde, source-URL och timestamp loggas immutable per EU AI Act Artikel 12. GDPR Artikel 22 ger den registrerade rätt till förklaring av automatiserat beslut; agenten producerar en plain-language-motivering per lead som kan visas på begäran.

GDPR-frågor kring personuppgifter i lead scoring

Sammanfattat

Sex GDPR-krav gäller AI-scoring med personuppgifter. (1) Dokumenterad laglig grund (typiskt intresseavvägning för B2B). (2) Ändamålsbegränsning: scoring får bara användas för sälj-prioritering, inte utökas till kredit eller HR. (3) Uppgiftsminimering: samla bara features som är nödvändiga. (4) Transparens i integritetspolicy. (5) Rätt att invända (Artikel 21). (6) Rätt till förklaring vid automatiserat beslut med väsentlig påverkan (Artikel 22). IMY är tillsynsmyndighet i Sverige.

Även B2B-scoring involverar personuppgifter (namn, e-post, LinkedIn-profil av kontaktperson) och omfattas därför av GDPR. Alice Labs standard-checklista:

1. Dokumenterad laglig grund. Typiskt intresseavvägning (Artikel 6.1.f). DPIA (data protection impact assessment) för höga volymer eller känsliga segment (t.ex. offentlig sektor, vård).
2. Ändamålsbegränsning. Scoring får bara användas för sälj-prioritering. Att utöka scoringen till kredit- eller HR-beslut kräver ny laglig grund och ofta samtycke.
3. Uppgiftsminimering. Samla endast features som är nödvändiga för scoring. Undvik känsliga kategorier (Artikel 9) helt: hälsa, etnicitet, politisk åsikt, sexualitet. Undvik även proxies som kan vara känsliga.
4. Transparens i integritetspolicy. Beskriv i klartext att ni använder AI-baserad scoring, vilka features som ingår, hur länge data lagras, vilka rättigheter den registrerade har.
5. Rätt att invända (Artikel 21). Den registrerade kan när som helst invända mot behandling baserad på intresseavvägning. Fungerande process för att pausa scoring för den personen.
6. Rätt till förklaring vid automatiserat beslut (Artikel 22). Om scoringen har väsentlig påverkan (t.ex. avgör vem som får kontakt från säljare) har den registrerade rätt till mänsklig inblandning, förklaring och möjlighet att invända. Agentens plain-language-motivering per lead är designad för detta.

Svensk tillsyn: Integritetsskyddsmyndigheten (IMY). Sanktioner enligt GDPR: upp till 20 MEUR eller 4 procent global omsättning. För EU AI Act (fullt i kraft 2 augusti 2026): upp till 35 MEUR eller 7 procent. Se full checklista i EU AI Act 2026: checklista för svenska företag.

Svenska case-mönster: 3 återkommande implementationer

Sammanfattat

Tre case-mönster återkommer i Alice Labs 30+ svenska scoring-uppdrag. (1) SaaS scale-up 40-100 anställda: HubSpot Predictive plus Claude Agent SDK för multi-segment (SMB, mid-market, enterprise). (2) Nordisk enterprise med Salesforce: Einstein Lead Scoring plus Data Cloud för strikt GDPR-perimeter. (3) Industri-B2B med lång säljcykel: hybrid rule-based för fastighet plus agentic för nya prospekt. Varje mönster har egen kalibreringsprocess.

Tre återkommande mönster ur nordisk fältdata 2024 till 2026:

1. SaaS scale-up (40 till 100 anställda), HubSpot-stack. HubSpot Predictive Lead Scoring plus Claude Agent SDK-lager för multi-segment (SMB, mid-market, enterprise). Trösklar kalibreras per segment: SMB SQL 82, mid-market 75, enterprise 65. Implementations-kostnad 250 till 500 kSEK, payback 3 till 5 månader.
2. Nordisk enterprise med Salesforce. Einstein Lead Scoring plus Data Cloud plus Einstein Trust Layer. Strikt GDPR-perimeter (all data i EU), custom Apex-agenter för svenska features (bolagsform, säte, årsredovisnings-nyckeltal). Implementations-kostnad 800 kSEK till 1,8 MSEK, payback 5 till 9 månader.
3. Industri-B2B med lång säljcykel. Hybrid rule-based för fastighet (existerande kunder, årliga upphandlingsfönster) plus agentic för nya prospekt. Fokus på multi-touch-attribution över 6 till 18 månaders säljcykel. Implementations-kostnad 400 till 900 kSEK, payback 6 till 12 månader.

Vill ni testa vilket mönster som passar er? Boka en discovery-workshop via AI-agenter för svenska företag.