Custom AI-lösningar: så skriver du krav som håller hela vägen

Markus Westerlund

Markus Westerlund

19 nov 2026 · 6 min läsning

Custom AI-lösningar: så skriver du krav som håller hela vägen

Många AI-projekt stannar inte på grund av tekniken utan på grund av otydliga krav. Custom AI-lösningar kräver att verksamheten kan beskriva vilket arbete som ska förenklas, vilka data som behövs och hur man vet att lösningen fungerar. Under 2025 använde 35 procent av svenska företag med minst tio anställda AI, upp från 25,1 procent året innan. Steget från att testa ett verktyg till att bygga en integrerad lösning är ändå stort, och det är kravspecifikationen som avgör om det lyckas.

Här går vi igenom hur du tar ett use case hela vägen till en teknisk specifikation, med konkreta mallar för krav, dataåtkomst och acceptanskriterier.

När behövs custom AI-lösningar i stället för färdiga verktyg?

Custom AI-lösningar behövs när verksamhetens processer, data eller integrationsbehov inte passar standardverktyg. Om ett färdigt verktyg löser uppgiften utan omfattande anpassning räcker det ofta. Men när AI:n måste läsa från affärssystem, följa interna regler eller agera i flera system samtidigt blir konfiguration eller egenutveckling aktuellt.

Under 2025 hade 62,1 procent av de AI-användande företagen köpt färdig kommersiell AI-mjukvara. 20 procent hade utvecklat AI med egen personal och 11,2 procent hade anlitat externa aktörer. Färdiga verktyg är alltså vanligast, och det är ofta rätt startpunkt.

Hur vet vi om ett problem lämpar sig för en egen lösning?

Ställ några kontrollfrågor innan ni går vidare:

  • Är uppgiften återkommande och tar den märkbar tid i dag?
  • Finns underlaget i digital form, och vet ni vem som äger det?
  • Kräver uppgiften data från flera interna system?
  • Går det att beskriva hur ett bra resultat ser ut?
  • Saknar de färdiga verktygen de kopplingar eller regler ni behöver?

Svarar ni ja på de flesta talar mycket för en anpassad lösning. Svarar ni nej på frågan om data eller resultat bör ni börja där, oavsett lösningsform.

Hur skriver man krav för ett AI-projekt?

Börja med arbetsflödet, inte med tekniken. Beskriv vilken uppgift AI:n ska stödja, vem som använder den, vad som händer före och efter samt vilket mätbart resultat ni vill nå, till exempel kortare handläggningstid eller färre manuella moment. Ett krav som bara säger "vi vill ha en chatbot" går inte att bygga eller testa mot.

En bra kravbeskrivning för ett use case innehåller följande delar:

DelFråga att besvaraExempel
UppgiftVad ska AI:n göra?Sammanfatta inkommande kundärenden och föreslå kategori
AnvändareVem arbetar med resultatet?Kundtjänsthandläggare
FöreVad triggar flödet?Nytt ärende skapas i CRM
EfterVad händer med resultatet?Handläggaren godkänner eller ändrar kategorin
NyttaHur mäter vi effekten?Tid per ärende, andel korrekt kategoriserade ärenden
GränserVad får AI:n inte göra?Skicka svar till kund utan godkännande

Kompetens är ofta flaskhalsen. Bland företag som övervägt AI men avstått angav 74,7 procent brist på relevant expertis som hinder. Därför bör ai-rådgivning börja i verksamhetsproblemet och dataläget, inte i valet av modell.

Vilka data behöver AI:n åtkomst till, och hur begränsar man den?

AI:n ska bara ha åtkomst till de data som uppgiften faktiskt kräver. Ange konkret vilka källsystem, datatyper och behörigheter som behövs, hur ofta data uppdateras och vilka uppgifter som aldrig får lämna systemet. Dokumentera också exakt vilka data som skickas vidare till modell- eller tjänsteleverantören.

Använd gärna den här checklistan för varje datakälla:

  • Källsystem, till exempel CRM, affärssystem eller dokumentarkiv
  • Dataägare som kan fatta beslut om åtkomst
  • Datatyper och om de innehåller personuppgifter
  • Uppdateringsfrekvens
  • Behörigheter: vilka användare får se vad via AI:n?
  • Lagring och gallring av indata, utdata och loggar
  • Uppgifter som aldrig får skickas till en extern modell

Hur hanterar vi personuppgifter och GDPR?

GDPR gäller parallellt med AI-reglerna. Om personuppgifter behandlas behövs rättslig grund, tydliga ändamål, lämplig säkerhet och kontroll över leverantörsroller och dataflöden. IMY rekommenderar att organisationer har kontroll över hela processen, inklusive data, leverantör och användning. Utred personuppgiftsansvar, information till registrerade och eventuella tredjelandsöverföringar innan data kopplas in, inte efteråt.

Vad gäller enligt AI-förordningen?

AI-förordningen införs stegvis och klassningen beror på hur systemet används, inte bara på att det använder AI. Dokumentera därför avsett ändamål redan i kravfasen. Det gör det enklare att bedöma om riskklassning eller särskilda skyldigheter, som märkning av visst AI-genererat innehåll, kan bli relevanta.

Hur kravställer man ai-integration och systemintegration?

Kravställ integrationen, inte bara modellen. Det är ofta systemintegration och informationsflödet som avgör om lösningen fungerar i vardagen. Specificera API:er, identitet och behörighetsstyrning, loggning, felhantering, svarstider, tillgänglighet och vem som ansvarar när ett källsystem eller en modell förändras.

En teknisk specifikation för ai-integration bör minst beskriva:

  • Kopplingar: vilka API:er eller databaser som läses och skrivs till
  • Identitet: att AI:n respekterar användarens befintliga behörigheter
  • Loggning: vad som loggas, hur länge och vem som får se det
  • Felhantering: vad som händer när ett källsystem inte svarar
  • Prestanda: förväntad svarstid och tillgänglighet
  • Förändringsansvar: vem som agerar när en modell uppdateras

På Flexra bygger vi med egen kod och direkt integration mot ledande modeller som Claude från Anthropic, Google Gemini och OpenAI. Det gör att modellvalet kan anpassas efter uppgiften, medan integrationen mot era system förblir stabil.

Hur skriver man mätbara acceptanskriterier för en AI-lösning?

Acceptanskriterier för AI ska vara testbara. Definiera representativa testfall med verkliga frågor och data, en tillåten felnivå, när AI:n ska avstå eller hänvisa vidare, krav på källhänvisningar och svarstid. Bestäm också hur resultaten bedöms av användarna. Utan detta blir godkännandet en känslofråga.

Exempel på acceptanskriterier:

OmrådeKriterium
KvalitetSvaren bedöms korrekta av handläggare i en överenskommen andel av testfallen
KällorVarje svar hänvisar till det dokument det bygger på
AvståSaknas underlag svarar AI:n att den inte vet och hänvisar vidare
BehörighetEn användare kan aldrig få svar baserade på data hen saknar åtkomst till
Felaktig indataOfullständiga eller felaktiga ärenden hanteras utan att flödet stannar
SvarstidSvar levereras inom överenskommen tid

Vilka beslut kräver mänsklig kontroll?

Ange vilka steg som kräver mänskligt godkännande, hur fel rapporteras och rättas samt hur kvaliteten följs upp efter lansering. IMY betonar riskbedömning, mänsklig kontroll och fortlöpande uppföljning vid användning av generativ AI.

Vad kan du göra redan nu?

Du behöver inte ha en färdig specifikation för att komma igång. Välj ett arbetsflöde och gör följande:

  • Fyll i use case-tabellen ovan för ett enda flöde
  • Lista datakällorna och identifiera en dataägare per källa
  • Samla 20 till 30 verkliga exempel som kan bli testfall
  • Markera vilka uppgifter som innehåller personuppgifter
  • Bestäm vilket mått som ska visa att lösningen gör nytta

Optimeringstips: följ upp lösningen löpande efter driftsättning, uppdatera testfallen när verksamheten förändras och se över behörigheter när nya datakällor kopplas in.

Vill du ha hjälp att omsätta ett use case i en specifikation för ert AI-projekt? Boka kostnadsfritt möte med Flexra så går vi igenom ert arbetsflöde, dataläge och nästa steg.

Bransch
Markus Westerlund

Markus Westerlund

VD och grundare av Flexra. Hjälper företag att effektivisera sina processer med AI och automation sedan 2017.