Intern videndeling
Nye medarbejdere kan spørge om procedurer i stedet for at forstyrre en kollega eller lede i en mappestruktur, de ikke kender.
Intern AI · Chatbot på egne dokumenter
Dansk AI-chatbot på jeres egne dokumenter
En almindelig chatbot ved alt om verden og intet om jer. Den her ved kun det, der står i jeres manualer, procedurer og aftaler - og den viser, hvilket afsnit svaret kom fra, så man kan tjekke det efter.
Gratis og uforpligtende besøg - derefter et konkret forslag med estimeret tidsbesparelse.
Live · Et spørgsmål, der bliver besvaret med kilde
Spørgsmålet stilles
Materialet gennemsøges
Grundlaget vurderes
Svar med henvisning
Hullerne bliver synlige
Trigger · Stillet på dansk, med egne ord
"Hvad er reklamationsfristen på de hvide bordplader, hvis kunden selv har monteret?"
Hvorfor chatbotten ikke digter
Den mest udbredte bekymring ved AI er, at den finder på ting. Bekymringen er velbegrundet. Løsningen er bare ikke at bede modellen om at være mere forsigtig.
Løsningen er arkitekturen. Modellen får aldrig spørgsmålet direkte. Først bliver der søgt i jeres materiale efter de afsnit, der handler om emnet. Derefter får modellen både spørgsmålet og de fundne afsnit, med instruks om kun at svare på det grundlag og om at sige det tydeligt, hvis grundlaget ikke rækker. Metoden hedder retrieval-augmented generation, og den er grunden til, at et svar altid kan spores tilbage til en kilde.
Kvaliteten af svarene er dermed direkte bestemt af kvaliteten af jeres dokumentation. Står en procedure beskrevet uklart to steder med forskelligt indhold, svarer chatbotten uklart. Modsætningen har ligget der hele tiden. Chatbotten gør den bare synlig.
For en del virksomheder er det faktisk den største gevinst i projektet. Loggen over spørgsmål uden dækning er den mest præcise liste over huller i den interne dokumentation, man kan få.
Hvor en chatbot på egne dokumenter bruges i praksis
Fællestrækket er, at svaret findes i huset, men ikke i hovedet på den, der har brug for det.
Teknisk support
Montører og teknikere får svar fra produktdokumentation og servicemanualer, mens de står hos kunden.
Salg og tilbud
Sælgere finder selv specifikationer og tidligere aftaler frem uden at ringe til teknisk afdeling.
Personale og HR
Ferieregler, barsel, sygdom og personalehåndbog bliver besvaret, uden at HR skal svare på det samme tredive gange.
Kvalitet og certificering
ISO-procedurer og arbejdsbeskrivelser, hvor det er afgørende, at svaret kommer med kildehenvisning.
Kundevendt hjælp
Samme motor rettet mod kunder, med et snævrere udvalg af dokumenter. Hører sammen med AI i kundeservice.
Hvor jeres data er henne
Hos de fleste danske virksomheder er det her spørgsmålet, der afgør, om projektet bliver til noget. Så det får et konkret svar.
- Dokumenterne bliver hos jer. Materialet bliver indekseret i en vektordatabase, I selv ejer, hostet i EU eller hos jer.
- Modellen trænes ikke på jeres indhold. Afsnittene sendes med i det enkelte spørgsmål og bruges ikke til at opdatere nogen model.
- EU-databehandling kan vælges via Azure OpenAI i en europæisk region eller Mistral i Frankrig, hvis intet må forlade EU.
- Adgangsrettigheder respekteres. En medarbejder får kun svar fra dokumenter, hun i forvejen har adgang til.
- Alt logges. Hvem spurgte om hvad, hvilke kilder der blev brugt, og hvad der blev svaret. Nødvendigt for både kvalitet og revision.
- Databehandleraftale før drift. Rammerne står i databehandleraftalen, og aftalen skrives under, før noget bliver indekseret.
Fra idé til en chatbot, der virker
Fem til otte uger. Størstedelen af tiden går med at afgøre, hvilke dokumenter der er gældende - ikke med at bygge.
01
Udvælgelse
Hvilke dokumenter er gældende, og hvilke er forældede? Den opgave er både den vigtigste og den mest undervurderede.
02
Indeksering
Materialet bliver delt op, indekseret og koblet til adgangsstyringen. PDF, Word, SharePoint, intranet og regneark.
03
Test med rigtige spørgsmål
Jeg samler 50 spørgsmål fra folk, der faktisk har dem, og måler svarene. Spørgsmål, jeg selv finder på, siger ingenting om kvaliteten.
04
Udrulning
Tilgængelig i Teams, Slack eller på intranettet. Der, hvor folk allerede er, og ikke i endnu et værktøj.
Når en kollega skal finde svaret på noget, I har skrevet ned
Viden findes. Den ligger bare i en PDF på et drev, som ingen kan huske navnet på.
I dag · Pr. opslag
Bagefter
- Hvor stod det henne?4 minSpørgsmålet stilles i chatten0 min
- Filen findes på drevet3 minAlle dokumenter er indekseret0 min
- Der læses efter afsnittet5 minSvar med henvisning til kilden0 min
- En kollega spørges i stedet8 minBehøves sjældnere0 min
- Vurderingen af, om svaret passer2 minDerfor står kilden altid med2 min
Manuelt i dag
22min
Manuelt bagefter
2min
Sparet pr. opslag
0min
Ti minutter pr. opslag er ikke det værste. Det værste er de gange, hvor man giver op og gætter - eller spørger den kollega, der altid bliver spurgt.
Spørgsmål om chatbot på egne dokumenter
Hvor mange dokumenter skal vi have, før det giver mening?
Der er ingen nedre grænse i antal, men der er en i spredning. Har I ti dokumenter, som alle kender, er der ingen gevinst. Har I to hundrede spredt over SharePoint, et gammelt netværksdrev og et intranet, ingen bruger, er gevinsten stor med præcis den samme mængde tekst. Tilgængeligheden afgør det, ikke mængden.
Hvad koster det?
Opsætning ligger typisk mellem 40.000 og 90.000 kroner afhængigt af mængden af materiale og antallet af kilder. Drift er 1.000 til 3.000 kroner om måneden i hosting og modelforbrug for en almindelig virksomhed. Jeg giver fast pris på opsætningen, og driftsomkostningen kan estimeres ret præcist på forhånd.
Kan den svare på dansk, når dokumenterne er på engelsk?
Ja, og det er en af de mere praktiske gevinster. Meget teknisk dokumentation findes kun på engelsk eller tysk, mens de medarbejdere, der skal bruge den, helst spørger på dansk. Chatbotten søger på tværs af sprog og svarer på det sprog, spørgsmålet blev stillet i, med henvisning til det originale afsnit.
Hvad sker der, når vi opdaterer et dokument?
Indekset bliver opdateret automatisk, typisk om natten eller når filen bliver ændret. Derfor er det også vigtigt, at forældede dokumenter bliver fjernet fra kildemappen og ikke bare får "gammel" i filnavnet. Indekset kan ikke se forskel på et gældende og et udgået dokument, hvis begge ligger der. Det hænger tæt sammen med dokumenthåndtering, der arkiverer sig selv.
Kan vi se, hvad folk spørger om?
Ja, og det bør I. Statistikken viser, hvilke emner der fylder, hvilke spørgsmål der ikke kunne besvares, og hvor svarene var for tynde. For de fleste er det første gang, de har data på, hvad medarbejderne reelt er i tvivl om.
Er det ikke bare ChatGPT med ekstra trin?
Forskellen er, hvad den svarer ud fra. ChatGPT svarer ud fra internettet og gætter, når det handler om jer. Den her svarer kun ud fra jeres materiale og siger det, når den ikke kan. Når spørgsmålet handler om jeres egne procedurer, er det forskellen mellem et brugbart og et farligt svar.
Chatbot på egne dokumenter
Hvad bliver folk hos jer nødt til at spørge en kollega om?
Fortæl mig, hvilken slags viden der ligger i dokumenter, som er svære at finde i, og hvor materialet er henne. Så vurderer jeg, om der er nok at bygge på.
Relateret
- AI i kundeserviceHvor AI reelt hjælper kundeservice, hvor den skader, og hvordan man indfører den uden at kunderne mærker det negativt.
- Dokumentflow, der arkiverer sig selvDokumenter, der navngives, journaliseres og lægges på rette sag efter fast system - og kan findes igen.
- Procesoptimering i fem trinGuide i fem trin til at optimere en arbejdsgang: vælg processen, kortlæg den, regn på trinnene, beslut hvad der skal fjernes eller automatiseres, og mål efter. Med den fejl, der gør hvert trin værdiløst.