AI-agenter erstatter manuell dokumentasjon i IT-analyse
9. november 2026 · 2 min lesing
En IT-analytiker leverte et komplett sett med forretningskrav til en ny betalingsprodukt ved hjelp av kunstig intelligens og agenter. Leveringen skjedde under streng tidspress da regulatoriske kilder var oppdatert, og den manuelle prosessen ville ha krevd mer enn to uker. Den faktiske leveringen bestod av sytten dokumenter som ble ferdigstilt på åtte arbeidsdager. Dette resultatet ble oppnådd gjennom en hybrid løsning der agenter genererte innhold basert på definerte regler, mens analytikeren gjennomførte endelig kvalitetssikring og publisering i Confluence. Systemet ble utviklet raskt for å møte umiddelbare behov, og fungerte som en prøveoperasjon for en bredere innføring av automatiserte arbeidsflyter.
Arbeidsprosessen krevde nøye justering av modellparametere for å sikre nøyaktighet. Opprinnelig tenderte agenten til å oppfinne data når informasjon manglet, noe som gjorde rene instruksjoner utilstrekkelige. For å motvirke dette ble temperaturen senket til 0,2 og top-p satt til 0,85. Disse innstillingene var lavere enn det som vanligvis brukes av andre spesialister, som ofte opererer med en temperatur på 0,6. Hovedfokus lå på å etablere strenge regler for hvordan dokumenter skulle struktureres, hvor data skulle hentes fra, og hvordan konflikter og manglende informasjon skulle håndteres. Først etter at disse tillitsrammene var på plass, sluttet agenten å fylle hull med gjetninger. Analytikeren leste gjennom hvert enkelt dokument, og hans tilbakemeldinger ble integrert i instruksjonene for å forhindre gjentakelse av feil i fremtidige generasjoner.
Tekniske begrensninger påvirket valg av modeller under prosessen. Arbeidet startet med én modell, men abonnementsgrenser gjorde det umulig å fullføre hele volumet med denne alene. Derfor ble det byttet til en modell fra en annen leverandør midtveis, før man returnerte til den opprinnelige modellen etter at grensene var oppdatert. Denne hybride tilnærmingen var en midlertidig løsning drevet av tidspress og kostnadseffektivitet, snarere enn en anbefaling for permanent drift. Målet var å levere kravspesifikasjonene i tide, og den dyre kombinasjonen av tjenester var et nødvendig kompromiss under omstendighetene.
Opplevelsen førte til utviklingen av en standardisert ramme for analysearbeid. Erfaringer fra tidligere implementeringer av ERP-systemer og prosjektledelse med metodologier som Agile og Waterfall ble overført til AI-konteksten. En ny rolle som «kanon-eier» ble introdusert for å vedlikeholde standardene, håndtere oppdateringer og sikre at lærdom fra feil ble institutionalisert. Minne mellom sesjoner ble organisert slik at brukere og systemeier hadde separate lagringsområder. Dette sikret at korrekte løsninger og rettede feil ble bevart som del av agentens kunnskap, i stedet for å forsvinne etter hver enkelt samtale. Inngangskravet for nye analytikere ble redusert fra omfattende opplæring i prompt-design til en enkel tilkoblingsprosess, der de kunne fokusere på innholdet i dokumentasjonen mens systemet håndterte de tekniske detaljene.